快手观看时长建模：CREAD

将观看时长作为连续值预测，会带来“回归问题”，即会放大对异常值和潜在预测偏差的敏感性，常见的一种方法是把时长分段转为分类问题来预估，CREAD正是提出了一种回归转分类的处理方法。

CREAD的流程如下图所示，把观看时长分为M个桶，在每个桶内预估 P(y>t|x)的概率

 经过推导可以得到最后的观看时长计算方法：

 

论文亮点：

1. 对时长分桶预估之后不仅有分类损失，还加了两个类似保序回归的损失：

 loss包含3个部分：

（1） classification loss 

（2）restoration loss 

论文指出这里采用了Huber loss

（3）保序loss

 

2. 目前常用的分桶方法是等频分桶和等距分桶，等频分桶的缺点是尾部桶距过大放大恢复误差，等距分桶的缺点是尾部桶内样本过少导致学习误差过大，CREAD提出一种平衡等距分桶和等频分桶误差方法的分桶方法

 

参考资料：

https://arxiv.org/pdf/2401.07521

AAAI'24「快手」观看时长建模：CREAD