小红书RecSys 2025最佳论文提名背后：破解视频时长预测难题

来源：市场资讯

（来源：机器之心）

最近，一则趣闻在社交媒体上流传：当诺贝尔奖委员会还在费力寻找新晋生理学或医学奖得主时，一位小红书网友似乎早已在美国落基山脉与他偶遇并聊了天。这件「让世界先一步找到你」的轶事，再次让人们将目光投向了小红书。这真是一个总能创造神奇连接的社区！

图源：微博

而这种「神奇连接」并非偶然，作为一名科技媒体从业者，我们对此深有体会。许多 AI 领域的关键人物动态与顶会奖项信息，我们都是从小红书上第一时间获知的。正是其强大的推荐系统，确保了这些关键信息能够精准地推送给我们。

正是这个对我们工作至关重要的推荐引擎，最近在世界级舞台上大放异彩。

在不久前于布拉格落幕的推荐系统顶会 RecSys 2025 上，一篇来自小红书推荐算法团队的论文《Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network》引发了现场技术人员和专家们的重点关注和集体热议。这篇论文最终从全球数百篇顶尖研究中脱颖而出，斩获全球仅五篇的「最佳论文提名 (Best Paper Candidates)」。

展开全文

要知道，ACM 推荐系统会议（ACM Conference on Recommender Systems, 简称 RecSys）被公认为是推荐系统领域最重要、最顶级的学术会议。自 2007 年创办以来，RecSys 不仅引领了学术研究的方向，更深刻影响了工业界推荐技术的演进。从统计模型到智能算法，RecSys 见证并塑造了推荐系统的每一次重大跃迁。凭借其学术权威性与产业引领力，RecSys 已成为全球学者与企业共同探索智能推荐未来的重要舞台。

每年，这场盛会都会吸引全球大量的顶尖学者与行业专家参与，谷歌、网飞 、Meta 等众多知名科技公司也深度参与其中。因此，能够在 RecSys 上发表论文或斩获奖项，意味着该研究成果获得了国际学术界与工业界的高度认可，代表了推荐系统领域的领先水平。

但其实，早在奖项公布之前，小红书的技术实力和小红书这款产品本身，就已成为会场内外的一个焦点。

「你们的推荐系统，业内领先」

会议期间，小红书的展台异常火爆，常常被围得水泄不通。许多前来交流的专家和技术人员（尤其是来自北美的）本身就是小红书的资深用户。他们对小红书的推荐能力给出了一个极为一致且高度的评价：业内领先。

一位参会者分享了一个令他惊叹的体验：他从美国飞抵布拉格，打开小红书，APP 不仅迅速为他推送了精准的本地内容，更神奇的是，他还刷到了同样来参加 RecSys 会议的其他人发的帖子，并因此在线下认识了新朋友。这种精准捕捉用户即时场景与身份的能力，让这些本身就是推荐系统专家的用户感到非常好奇和赞叹。

小红书能精准地将内容推荐给相关用户，截图自小红书用户 @momo（小红书校招在逃版）的图文和 @Haiyun Jin 和 @Lucky girl 的评论

这种作为用户对产品的极致认可，直接点燃了这些推荐系统研究者对背后技术的好奇心。

因此，当小红书推荐算法团队（这也是该团队首次参会）分享其关于视频观看时长预测的研究成果时，现场座无虚席。

论文一作赵旭（Xu Zhao）演讲分享时的现场盛况

事实上，早在论文一作赵旭登台分享之前，就已有大量参会者因其发布的论文摘要而慕名而来，提前在展台与作者们进行交流探讨。

演讲结束后，现场爆发了非常热烈的掌声，演讲者也被热情的同行们追问各种技术细节，展台甚至出现了排队提问交流的盛况。

演讲之后，小红书展台人头攒动

一位参会者表示，在最终结果公布前，许多人都认为这篇论文是今年最佳论文的最有力竞争者，其最终获奖与否，似乎已不影响它在参会者心中的分量。

论文标题：Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network

论文地址：

论文标题：Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network

论文地址：

而在会议结束后，这股讨论热潮迅速从线下蔓延至线上。在知乎等社区平台上，众多技术博主与从业者纷纷发表文章，从不同角度对 EGMN 模型进行深度解读和分析。他们普遍认为，这项研究不仅首次系统性地剖析了视频时长预测这一核心行业难题，更提供了一个兼具理论创新与实践价值的解决方案。

图源：微信公众号 @机器很不爱学习，知乎 @Lucifer & @薯条小姐

「一种传统机器学习的美」

回归本质解决行业难题

那么，小红书的这篇论文究竟解决了什么问题，能引发如此大的共鸣？

要回答这个问题，首先需要理解小红书的业务规模。作为中国领先的生活兴趣社区，小红书已经从 2015 年的 5000 万 MAU（月活跃用户数）增长到 2024 年的 3.5 亿 MAU 以上。在如此庞大的体量下，推荐模型的任何微小改进，都会被放大为用户体验和业务成果上的显著收益。

而这篇论文瞄准的，正是所有反馈信号中至关重要的基础指标：观看时长。

为什么选择建模这个指标？一个重要原因是日活跃用户数（DAU）是小红书推荐团队的 T0 优化目标，而用户的观看时长又是和 DAU 最相关的反馈信号，因此提升用户观看时长往往能带来显著的 DAU 收益。

观看时长是衡量平台内容质量与用户满意度的关键，尤其在小红书视频场景中，观看时长信号的覆盖率高达 100%。

正是用户观看时长建模这样一个牵一发而动全身的核心问题，成为了小红书推荐算法团队攻关的焦点。同时，这也是一个长期存在的古老难题，严重制约着行业的发展。该团队的工作之所以备受赞誉，首先在于他们首次从一个整体、系统的角度，对这个问题进行了深刻的剖析。

他们发现，用户的观看行为分布极为复杂，呈现出「粗粒度的偏态性」（大量快速划走）和「细粒度的多样性」（不同用户和视频的多峰观看模式）两大挑战。下图的小红书用户观看时长统计数据很明显地展现了这些分布模式。

为此，该团队没有采用更复杂的模型，而是回归问题的本质，提出了一种极具巧思的方案：指数-高斯混合网络（EGMN）。

该方案的核心是将两种经典的概率分布结合：

指数分布：专门用来捕捉「快速划走」行为。指数分布的特性是概率密度在零点附近最高，然后迅速下降，非常适合模拟这种「没兴趣，立马划走」的场景。

高斯混合分布：用于刻画其他多样化的观看模式，如「观看至结尾」、「重复观看某个片段」等。单一高斯分布是标准的「钟形曲线」，而多个高斯分布混合在一起，就可以灵活地拟合出任意形状的多峰分布，从而捕捉细粒度的复杂行为。

指数分布：专门用来捕捉「快速划走」行为。指数分布的特性是概率密度在零点附近最高，然后迅速下降，非常适合模拟这种「没兴趣，立马划走」的场景。

高斯混合分布：用于刻画其他多样化的观看模式，如「观看至结尾」、「重复观看某个片段」等。单一高斯分布是标准的「钟形曲线」，而多个高斯分布混合在一起，就可以灵活地拟合出任意形状的多峰分布，从而捕捉细粒度的复杂行为。

也就是说，该模型的核心思想不再是直接预测一个单一的观看时长数值，而是预测出在给定用户和视频的条件下，观看时长完整概率分布的各项参数。

其核心公式可以表示为：

简单来说，这个公式的含义是：对于一个给定的场景 x (特征向量，包含用户、视频、上下文等信息)，其观看时长为 t 的概率 p (t∣x) 是由代表「快速划走」的指数分布 𝑓_exp 和 K 个代表不同观看兴趣的高斯分布 𝑓_gauss（加权 ω）混合而成的。模型会智能地学习出在不同场景下，这些分布的形状参数 (如 λ,μ,σ) 和权重 ω。

为了让模型训练更稳定、效果更好，该团队还设计了包含极大似然估计、熵正则化和回归损失在内的三目标联合优化策略，确保模型在拟合复杂分布的同时，也能保证预测值的精准度。

更多细节描述请访问原论文。

这种思路因其简洁、清晰且直击问题核心，被现场一位专家盛赞「有一种传统机器学习的美」。它没有盲目追随当下的技术热点，而是将一个有百年历史的经典数学方法（高斯混合模型）加以改进，巧妙地解决了前沿的工业难题。一位论文审稿人在被要求提缺点时，他表示没什么可改进的，并在评审意见中写道：「The paper is already in excellent shape」（这篇论文已经非常出色了）。

一位审稿人给出的评审结果，他还给出了 Strong Accept 的整体评价

线上线下，EGMN 得到了全面验证

优美的思路更需要扎实的验证。EGMN 模型的效果在离线和在线环境中都取得了全面领先。

在四个离线数据集上的实验效果表明 ，EGMN 模型的表现全面超越了现有最优方法：平均而言，平均绝对误差（MAE）相对降低 14.11%，排序一致性指标（XAUC）相对升 7.76%。与次优模型相比，在 Indust 数据集上，其 MAE 降低了 6.75%，XAUC 提升了 5.09% 。

该团队也进行了线上 A/B 测试。在覆盖 1500 万用户、为期 7 天的线上 A/B 测试中，EGMN 模型取得了显著的业务效果，主要指标均有明显改善。更重要的是，用于衡量预测分布与真实分布差异的 KL 散度指标大幅下降了 19.94%，证明了 EGMN 在真实工业环境中强大的分布拟合能力。

该团队也通过消融实验验证了 EGMN 各组件的有效性：

消融实验结果，可以看到指数与高斯分量以及各损失函数的有效性均得到了验证

此外，为了验证 EGMN 捕获观看时长分布中复杂模式的能力，该团队还分析了 EGMN 的分布拟合能力。

具体来说，他们在由粗到细的三个粒度层面上将 EGMN 与基线进行了比较评估：总体分布、不同持续时长下的分布以及用户-视频特定的分布。结果如下图所示。

从左到右分别为总体分布、不同持续时长下的分布、用户 - 视频特定的分布的拟合结果