Команда AI VK представила метод прогнозирования времени просмотра видео под названием HEGM (Hierarchical Exponential-Gaussian Mixture). Решение призвано заменить стандартные методы регрессии, которые не учитывают мультимодальность поведения пользователей в лентах коротких видео, где просмотры варьируются от быстрых пролистываний до полных досмотров.
Традиционные модели, оптимизирующие среднеквадратичную или среднюю абсолютную ошибку, сводят сложное распределение к одному числу. Это приводит к потере данных о вероятности конкретных сценариев, таких как быстрый скип или полное завершение просмотра, так как точечный прогноз часто попадает в «провал» между модами поведения.
Метод HEGM разделяет модель на два уровня. Сигмоидный гейт оценивает вероятность быстрого скипа, а смесь гауссиан описывает режимы осмысленного просмотра. Такая иерархия устраняет конкуренцию за бюджет вероятности между экспоненциальной компонентой и гауссианами, предотвращая выключение последних.
Для предотвращения вырождения модели разработчики применили стратегию инициализации, при которой центры гауссовых компонент равномерно распределяются по диапазону длительностей. Также был добавлен приор на ширину компонент, что ограничивает риск их схлопывания в узкие пики, характерные для стандартных смесей.
Исследование принято в основной трек конференции IEEE ICDM 2026. Код и модели метода HEGM выложены в открытый доступ. Использование иерархического подхода позволяет получать из одного распределения несколько сигналов для ранжирования, включая вероятность преодоления заданного порога и предиктивную неопределенность.
