Какие сигналы считывает приложение
Любая рекомендательная система опирается на два типа обратной связи. Явная обратная связь включает лайки, комментарии, репосты и подписки. Эти действия требуют осознанного усилия, поэтому пользователи совершают их редко. Гораздо точнее состояние человека передает неявная обратная связь, которую приложение собирает непрерывно.
Главный показатель интереса в коде рекомендательной системы называется временем удержания или watch time. Платформа фиксирует отношение времени реального просмотра к общей длине видеоролика. Просмотр пятнадцатисекундного видео целиком дает алгоритму мощный положительный сигнал. Досмотр до середины расценивается как нейтральный результат. Уход с ролика на первой секунде приложение воспринимает как однозначный маркер скуки или раздражения.
Помимо длительности просмотра интерфейс отслеживает механику пальца и сопутствующие микродвижения. В математическую модель удержания внимания входят следующие параметры:
- Скорость и длина вертикального движения пальца по стеклу смартфона
- Задержка перед перелистыванием следующего видеоролика
- Возвращение назад к только что пропущенному фрагменту
- Тапы по экрану для включения звука или перехода в профиль автора
- Открытие блока комментариев во время воспроизведения звуковой дорожки
Когда человеку скучно, скорость его свайпов резко возрастает. Человек начинает бегло сканировать первые кадры и перелистывать видео еще до того, как автор успевает произнести первую фразу. Для рекомендательного движка каскад быстрых свайпов служит триггером экстренной смены контекста.
Математическая модель и архитектура рекомендаций
В основе ленты рекомендаций лежит двухуровневая архитектура машинного обучения. Первый этап называется отбором кандидатов. Из сотен миллионов загруженных роликов алгоритм отбирает несколько тысяч подходящих видео с помощью быстрых приближенных вычислений. На втором этапе тяжелая нейросеть выполняет ранжирование, рассчитывая точную вероятность целевых действий для каждого отобранного кандидата.
Модель ранжирования предсказывает сразу несколько вероятностей. Она вычисляет шанс того, что пользователь поставит лайк, досмотрит видео до конца, перейдет в комментарии или нажмет кнопку «Поделиться». Каждому событию присвоен числовой коэффициент в общей функции потерь. Досмотр видео и повторный просмотр обладают наибольшим весом в этой формуле, заметно опережая обычные лайки.
Для работы с содержанием видео платформа превращает каждый объект в числовой вектор или эмбеддинг. Нейросети компьютерного зрения анализируют видеоряд, распознают лица, объекты и текст на экране. Другие модели переводят речь автора в текст и классифицируют музыкальный трек. Твой цифровой профиль тоже представляет собой многомерный вектор интересов. Степень скуки выражается в падении функции полезности текущего вектора.
Баланс исследования и эксплуатации
В теории машинного обучения существует классическая проблема выбора между эксплуатацией известных данных и исследованием нового пространства. В англоязычной литературе этот баланс называют exploration versus exploitation dilemma.
Эксплуатация означает показ контента, который тебе гарантированно нравился в прошлом. Если кормить пользователя исключительно знакомой тематикой, неизбежно наступает информационное пресыщение. Чувствительность к контенту падает, время просмотра сокращается, человеку становится скучно от предсказуемости ленты.
Исследование решает эту задачу внедрением контролируемой энтропии. Алгоритм намеренно подмешивает в ленту ролики из тем, с которыми ты раньше никогда не взаимодействовал. Это могут быть уроки гончарного мастерства, нарезка футбольных матчей или научные эксперименты. Реакция на такие вкрапления обновляет профиль твоих вкусов и спасает от застревания в эхо-камере одинаковых видео.
Почему лента чувствует спад внимания лучше самого человека
Человеческое внимание подвержено колебаниям усталости в течение суток. Платформа учитывает контекстные метаданные сессии, включая текущее время, день недели, процент заряда аккумулятора смартфона и тип интернет-соединения. Поведение одного и того же человека в восемь утра по дороге на учебу разительно отличается от его реакций в полночь перед сном.
Алгоритм непрерывно сравнивает параметры текущей сессии с тысячами твоих прошлых заходов в приложение. Если среднее время удержания начинает падать ниже твоей личной базовой нормы для этого часа, система диагностирует падение концентрации. Чтобы вернуть вовлеченность, движок выдает короткие динамичные ролики с высокой плотностью визуальных событий, выводя мозг из состояния апатии новыми порциями дофамина.
Частые вопросы
Можно ли полностью сбросить накопленный алгоритмом профиль?
В настройках конфиденциальности приложения есть функция очистки истории рекомендаций. При ее нажатии личный вектор интересов обнуляется, а система начинает заново определять вкусы через стандартную подборку самых популярных роликов платформы.
Влияет ли перемотка видео на оценку интереса?
Да, использование полосы перемотки передает сложный сигнал. Перемотка к финалу снижает ценность просмотра, сигнализируя о затянутости ролика. Зацикливание одного фрагмента или остановка кадра алгоритм считывает как наивысшую степень заинтересованности.
Зачем алгоритм показывает видео с нулевым количеством лайков?
Это этап холодного старта для новых авторов. Платформа обязана тестировать свежий контент на случайной аудитории, чтобы рассчитать его начальные метрики удержания и принять решение о дальнейшей вирусной дистрибуции.
Учитывает ли нейросеть паузу перед выходом из приложения?
Финальное видео сессии имеет критический вес. Если человек закрыл приложение сразу после конкретного ролика, этот контент получает штраф в рейтинговой системе как вероятная причина ухода пользователя с платформы.