Intra‑Tag‑Personalisierung steigert Video‑Empfehlungen um 0,47 %

Viele Empfehlungssysteme für Langform‑Video‑Streaming setzen auf Modelle, die einmal täglich trainiert und mit statischen Nutzer‑Features aktualisiert werden. Diese Vorgehensweise lässt jedoch die neuesten Aktionen eines Nutzers außen vor und führt zu veralteten Vorschlägen.

Die neue Methode namens Inference Time Feature Injection bietet eine leichte, modellunabhängige Lösung: Sie überschreibt die veralteten Nutzer‑Features während der Inferenz mit den aktuellsten Sehgewohnheiten. Dadurch kann das System sofort auf sich ändernde Vorlieben reagieren, ohne dass das Modell neu trainiert werden muss.

Durch die Verkürzung des Feedback‑Loops von einem Tag auf wenige Stunden erzielte die Studie einen statistisch signifikanten Anstieg von 0,47 % bei wichtigen Engagement‑Kennzahlen. Das Ergebnis ist damit einer der größten Zuwächse, die in jüngsten Experimenten beobachtet wurden.

Nachweislich zeigt diese Arbeit, dass Intra‑Tag‑Personalisierung in Langform‑Video‑Streaming einen spürbaren Mehrwert liefert und eine attraktive Alternative zu vollständig Echtzeit‑Architekturen darstellt, die ein kontinuierliches Modell‑Retraining erfordern.