浙江工商大学短视频推荐：三路序列图同时建模视频、类别与作者

龙哥导读

一条短视频看完，下一条究竟该按“刚才看了什么”推荐，还是按“喜欢哪类内容、偏爱哪位创作者”推荐？这篇工作没有把三种信号揉成一团，而是分别建图、分别传播，再按当前会话动态融合。真正值得看的，不只是榜单上多了几个百分点，而是它把短视频兴趣拆成了三条可解释的路径。

刷短视频时，用户的兴趣变化快得有点“不讲武德”：上一秒还在看露营装备，下一秒可能被同一创作者的宠物视频吸引，再下一秒又顺着“户外”类别继续看。平台若只记住视频编号，就会错过类别的延续；若只记住类别，又会错过创作者风格带来的黏性。

浙江工商大学这篇论文提出多维序列与图神经网络推荐模型（MSAGNN），把一次会话同步改写成物品图、类别图和作者图。三张图各自学习转移关系，随后融合为视频表示，再结合位置与注意力得到会话兴趣，最终给候选视频排序。

一、短视频推荐难在哪：兴趣不是一条线

传统个性化推荐常把较长历史压成稳定画像，但短视频信息流几秒就刷新一次。用户利用通勤、排队等碎片时间连续滑动，平台要回答的是“下一条”，而不是“这个月大概喜欢什么”。因此，会话推荐更关注短时间内按时间排列的行为。

问题在于，多数会话图方法把视频当作唯一节点：A视频之后看B视频，就连一条边。这样能学习物品之间的跳转，却很难区分两种表面相似、实则不同的原因：用户是继续看同一主题，还是认准了某位创作者？在内容电商里，这个差别会影响候选召回、内容多样性，也会影响商品内容与用户当下意图的匹配。

论文把任务定义得很具体：给定当前会话中的视频序列，同时取得每条视频对应的类别与作者序列，预测用户下一条偏好的视频。它不直接分析画面、文字或商品语义，而是利用平台已有的结构化标识与观看行为。换句话说，这是一项会话级排序模型，不是多模态内容理解模型。

二、总览：三张图怎样汇成一次推荐

先看论文的总框架。左侧是同一会话派生出的三条序列；中间分别建图并经过门控图神经网络传播；随后三路表示进入融合层；右侧加入位置、用注意力形成会话向量，并与候选视频表示计算分数。

图1：左上三路分别是物品、作者和类别序列及其有向图；中部三个门控图神经网络分支负责消息传播；多层感知机融合多维表示；位置向量与注意力网络生成会话兴趣；预测层输出候选视频分数。下半部分展开了各类嵌入与消息传递方式。

这张图最关键的不是“用了三个模块”，而是三种关系先独立学习。若一开始把作者和类别仅作为视频的附属字段拼接，模型容易让高频物品信号淹没其他维度；分支建图则给每种转移关系单独的参数空间，最后再决定当前场景更该信哪一路。

三、方法链拆解：从三张有向图到门控传播

第一步，建立物品图。会话按观看时间排列，视频是节点，相邻观看形成有向边。重复出现的视频只保留一个节点，但不同转移次数会进入边权；入边与出边分别归一化，让模型区分“从哪里来”和“往哪里去”。这比简单列表多了一层局部拓扑：不只知道顺序，还知道节点在会话转移中的位置。

第二步，建立类别图。把每条视频替换成类别标识，再按相同时间顺序连接。连续几个不同视频可能都属于“美食”，类别图会把这种主题惯性压缩得很明显；若用户从美妆跳到穿搭，再回到美妆，图结构也会保留这种往返。

第三步，建立作者图。同理，把视频替换成创作者标识。用户可能不在意某条具体视频，却持续认可同一创作者的拍摄节奏、讲解方式或选品风格。作者图把这种“风格黏性”从物品跳转中剥离出来。

每张图随后进入门控图神经网络。对任一节点，模型先汇总归一化的入邻居与出邻居消息，再通过更新门、重置门和候选状态更新节点表示。直觉上，它像一个有选择的记忆器：更新门决定新邻居信息写入多少，重置门决定旧状态保留多少，避免每次传播都把原表示彻底覆盖。

传播层数也不能无限堆。层数太少，只看到一步邻居；层数太多，节点表示会越来越相似，出现图网络常见的过平滑。论文在1到4层之间比较，最终两层最好：大矩阵上的前10平均倒数排名为11.62、前20命中率为20.40；增加到4层后分别降到10.64和18.74。

把论文公式翻成白话，节点更新大致分四拍。第一拍，入边矩阵和出边矩阵分别乘以上一层节点状态，得到“别人流向我”和“我流向别人”的两组消息；第二拍，把两组消息拼接并做线性映射；第三拍，更新门与重置门根据当前消息决定读写比例；第四拍，用门控后的旧状态和候选新状态做加权混合。这里的参数不是为每个视频单独训练一套，而是在同一分支内共享，因此它学习的是普遍的转移模式。

三路图的节点数也不同。物品图可能有很多具体视频节点，类别图最多只覆盖该会话出现的少量主题，作者图则介于两者之间。这意味着三路分支看到的是不同粒度：物品图细但稀，类别图粗但稳，作者图抓住内容风格的中间层。模型不是要求三张图长得一样，而是要求它们最终输出同维度向量，方便后续融合。

四、三路融合：不是拼在一起就结束

三张图得到三组表示后，模型要把它们重新绑定到每个视频位置。论文比较了直接拼接、求和池化和多层感知机三种办法。直接拼接只是把特征排成一长条；求和默认三路处在可直接相加的同一空间；多层感知机则能学习非线性组合，最终取得最好结果。

以稠密的小矩阵为例，拼接的前10平均倒数排名为3.64，求和池化为4.22，多层感知机达到4.31；前20命中率分别为17.57、17.88和18.00。差距并不夸张，但方向稳定，说明“哪一维如何组合”确实需要学习，而不是手工设成平均权重。

融合后的每个序列位置还要加上可学习的位置编码。图结构擅长表达转移，却可能弱化原始序列中“离当前时刻有多远”。位置向量把第1条、第2条直到最近一条重新区分开，让模型知道相同视频或相同类别出现在会话前端和末端，意义并不一样。

随后，模型把最近一次交互表示为当前兴趣，再用加性注意力对整段序列加权，得到全局会话兴趣。最近一次点击回答“眼下想看什么”，全局表示回答“这一轮总体在追什么”。两者拼接并线性变换，成为最终会话向量。

注意力权重的计算同时参考三个对象：某个位置的融合表示、最后一个位置代表的当前兴趣，以及整个会话的平均概貌。一个位置若与当前兴趣一致、又能代表会话主线，就会获得更高权重。这样做比只取最后一条稳健，也比简单平均更灵活：最后一条可能是误触，平均又可能把突然转向的新兴趣冲淡。

论文把局部兴趣与全局兴趣拼接后投影到统一空间。这里的“全局”只指当前会话内部，不是用户跨天、跨月的长期画像。它适合处理正在发生的短期意图，却不能替代长期偏好、用户生命周期或冷启动模块。实际系统更合理的方式，是让它与长期塔、上下文特征和业务约束协作。

最后一步很朴素：会话向量与每个候选视频的嵌入做点积，分数越高，排序越靠前；训练时用交叉熵拉高真实下一条视频的概率。也就是说，复杂设计集中在“如何把一次会话表示好”，打分层本身没有另造一套重型机制。

五、快手公开微视频推荐数据实验：稀疏与稠密两种世界

实验使用快手公开微视频推荐数据的两个互不交叉子集。大矩阵包含7176名用户、10729个视频、31个类别、8369位创作者和1253万次交互，密度13.4%；小矩阵包含1411名用户、3327个视频、31个类别、2267位创作者和467万次交互，密度99.6%。前者更接近稀疏长尾环境，后者近乎全量观察。

论文把观看完成率大于0.8的记录视为正反馈；同一用户相邻交互间隔小于25分钟时归入同一会话；长度为1的会话、出现少于5次的物品被过滤，会话最长保留32条。按时间把前75%的会话用于训练与验证，最新25%作为测试，训练与验证再按9:1划分。

预处理后的大矩阵有2317850个会话，平均长度10；小矩阵有789569个会话，平均长度7。两个子集都含31个类别，但用户、视频和作者规模差异很大。这个设计让论文可以观察同一模型在“关系稀疏”和“关系几乎完整”时的表现，而不是只报一个平均数字掩盖数据条件。

实现上，论文使用PyTorch和Adam优化器，学习率0.001，批量大小50，物品、类别、作者及位置嵌入均设为50维，并按验证集表现采用耐心值为10的早停。基线使用其原论文推荐超参数，模型固定随机种子。论文给出了这些关键设定，但没有公布完整代码环境与训练日志，因此仍不足以完成严格的外部复现。

比较对象包括一个流行度参考，以及八个学习型基线。早期路线先放入个性化马尔可夫链分解模型（FPMC）和门控循环推荐网络（GRU4Rec）。

随后比较神经注意力推荐模型（NARM）与短期注意力优先模型（STAMP），观察不使用图结构时，长短期兴趣聚合可以走到哪一步。

图模型组先比较会话图神经网络（SR-GNN）和图上下文自注意力网络（GC-SAN）。

另外两项是类别序列增强推荐模型（CaSe4SR）与间隔增强图变换器模型（IGT）。这样的比较不只问“三路图比单一路图强不强”，还问它能否超过不同代际的序列建模方法。

指标有两个。平均倒数排名指标关心真实下一条视频排得有多靠前：排第1得1分，排第2得1/2分，超过截断位置记0；命中率指标只关心真实视频是否出现在前若干项。前者更苛刻地惩罚靠后，后者更像“推荐列表里有没有”。

六、主结果：优势真实，但要看密度

主结果表里，MSAGNN在两个子集、四个指标上都排第一。大矩阵的前10与前20平均倒数排名分别为11.62和11.93，前10与前20命中率为15.91和20.40；小矩阵四项依次为4.31、4.51、11.41和18.00。

图2：主结果表。每个数据集都报告两种截断位置下的平均倒数排名和命中率。MSAGNN在最下行，IGT是最强基线；右侧小矩阵的相对提升整体高于左侧大矩阵。

相对最强基线IGT，大矩阵四项提升为1.84%、2.14%、1.99%和2.31%；小矩阵提升为11.37%、9.47%、7.24%和3.93%。论文对两种模型做配对t检验，两个子集上的p值均小于0.05，说明按作者报告，这些差异达到统计显著。

从基线梯队也能看出技术演进。流行度方法在大矩阵的前20命中率只有2.28，马尔可夫链模型升到6.31；循环网络为7.33；加入注意力后，两种代表模型来到19左右。

图模型SR-GNN、GC-SAN与CaSe4SR继续逼近19.5；时间间隔增强模型达到19.94，本文模型最终为20.40。真正有竞争力的对手已不是传统方法，而是同样利用图与注意力的强模型。

统计显著也不等于业务显著。p值会受到样本量影响，快手公开微视频推荐数据包含大量会话，小幅差异也可能稳定通过检验。产品决策还要看绝对提升、计算成本、线上流量波动和收益指标。论文没有给出精确p值、置信区间或多随机种子方差，因此我们能确认作者报告了显著性，却不能进一步判断结果分布有多宽。

这里有个很重要的读法：密集数据上的收益明显更大。三路图需要足够多的连续行为才能稳定学习类别与作者转移；在稀疏大矩阵上，它仍然赢，但只领先约2%。所以它不是“数据越稀疏越神”，更像是当平台元数据完整、会话足够连续时，多维兴趣能充分释放。

七、消融：三张图、注意力、位置各贡献多少

先看三种维度。只用物品图时，大矩阵的前10平均倒数排名为11.41；加类别图升到11.59，加作者图则为11.42，三路一起达到11.62。小矩阵更明显：只用物品为3.80，物品加类别为3.88，物品加作者为3.92，完整模型为4.31。

图3：维度消融。四行依次表示仅物品、物品加类别、物品加作者和三路完整模型。各辅助维度并非在每个单项上都带来同样幅度，但完整组合的总体结果最好。

这个结果也提醒我们别把作者维度神化。在大矩阵上，单加作者对平均倒数排名提升很小；它与类别、物品共同融合后才稳定获益。论文能支持的是“三种信号互补”，不是“作者关系单独决定推荐”。

注意力消融更有力度。去掉加性注意力、改为平均池化后，大矩阵的前20命中率从20.40降到18.62，前10平均倒数排名从11.62降到10.52；小矩阵的前20命中率从18.00降到16.05。说明当前浏览语境下，不同位置、不同维度不能一视同仁。

位置编码的贡献较温和但一致。移除后，大矩阵的前20命中率下降0.43个百分点，小矩阵下降0.50个百分点；前10平均倒数排名分别下降0.27和0.12个百分点。图传播已经吸收了较多顺序关系，位置编码更像补充校准，而非主发动机。

图4：上部比较拼接、求和池化与多层感知机，中部比较1至4层门控图神经网络，下部比较有无注意力。阅读时重点看每组同一列：多层感知机、两层传播和保留注意力分别取得最好结果。

八、参数敏感性：阈值、维度与前若干项推荐

观看完成率阈值从0.5提高到0.9时，四项指标总体上升，因为更严格的阈值滤掉浅层浏览，留下更可靠的偏好。但论文仍选择0.8作为主设定：0.9会删除大量中等观看时长记录，加剧稀疏，也偏离快手公开微视频推荐数据常用预处理口径。这个取舍很工程化——标签更纯，不等于训练数据更好。

嵌入维度在12、25、50、100、150、200、250之间变化时，50维最好。维度太低，表达能力不足；升到250后，参数量增加而会话样本不足以约束，性能反而下降。图中的四个子图分别对应两个数据集上的前10平均倒数排名、前10命中率、前20平均倒数排名和前20命中率，曲线都在50附近形成高点。

图5：横轴是嵌入维度，纵轴分别是平均倒数排名或命中率。大矩阵与小矩阵各一条曲线。50维附近最好，继续增大没有带来单调收益，250维下降更明显。

当推荐列表从10项扩到50项时，命中率明显上升，因为候选位更多，真实视频更容易被包含；平均倒数排名变化较小，因为它更在意首个正确结果的具体名次。这个现象不是模型突然变聪明，而是两个指标回答的问题不同：一个看“有没有”，一个看“排多前”。

九、复杂度与落地：多两张图，代价是多少

论文把本文模型的核心复杂度写为三条并行图分支，大致是3倍的门控图传播，再加最长32步的位置与会话处理。表中的归一化相对计算成本为6.5，高于单图会话模型的3.0和图加自注意力模型的4.2，也高于类别双图模型的5.0，但低于时间图Transformer的8.5。它不是最轻模型，也不是最重模型。

对线上系统来说，三路图可以并行，这是好消息；但作者、类别查表、三套邻接结构、融合与注意力仍会增加内存访问和服务链路。论文没有报告训练时长、单请求延迟、吞吐、显存或线上A/B，因此“相对复杂度可接受”仍是分析层面的判断，不能直接换算成某个平台的毫秒级承诺。

真正适合优先尝试的团队，是已经有稳定会话切分、视频—类别—作者映射完整，并且能在召回或粗排阶段承受额外图编码的内容平台。若作者标识混乱、类别频繁漂移，或者新用户只有一两次交互，三路结构可能得不到论文数据中的互补收益。

若要做最小工程验证，可以先不重建整套线上服务，而是在现有会话样本上做三组离线对照：物品单路、物品加类别、三路完整模型；同时记录平均倒数排名、命中率、训练耗时、峰值显存和单批推理时延。再按新老用户、长短会话、头部长尾作者分桶，确认提升是不是只集中在少数高活跃用户。这样的验证比直接追求论文总分更能决定是否值得上线。

十、与相似路线相比，它补上了哪一环

会话图神经网络把单次会话转成物品图，用门控传播学习非线性转移；全局上下文增强图神经网络（GCE-GNN）进一步把当前会话图与全局会话图结合，补充跨会话共现。

类别序列增强模型显式引入类别序列，让类别不再只是物品上的一个静态标签；时间间隔增强模型则把间隔放进图变换器，强化“多久之后发生下一次交互”。

MSAGNN沿着这条演进链多走了一步：在物品与类别之外，给创作者单独建图，并把三路表示放到统一的会话注意力中。它的亮点不是发明了全新的图算子，而是针对短视频场景重新划分信息维度。这个思路很值得产品团队借鉴：模型结构创新有时来自“把被当作属性的变量，升级为独立行为序列”。

但它也没有覆盖所有关系。目前三张图是各自同质的：视频连视频、类别连类别、作者连作者，没有显式建立视频—作者、视频—类别的跨类型边，也没有把画面、文本、音频、商品和价格信号纳入图中。下一步若继续加维度，关键不再是“图越多越好”，而是怎样控制冗余、时延和噪声。

十一、龙哥点评：这篇论文最值钱的是拆问题的方法

龙哥觉得，这项工作的真实价值不在于“又一个图网络赢了榜单”，而在于它把短视频推荐中的三种偏好来源拆开：物品回答具体内容，类别回答主题惯性，作者回答风格与信任。拆开以后，收益来自哪里、哪条信号失效，都更容易诊断。

漂亮结果也要冷静看。小矩阵近乎稠密，三路关系容易被充分观察，所以提升达到两位数；大矩阵更稀疏，优势缩到约2%。这恰恰说明，模型价值和数据条件绑得很紧。部署前最该做的不是先复刻所有模块，而是统计本平台会话长度、作者复看率、类别连续率和元数据缺失率。

还要注意评价只发生在离线下一条推荐。平均倒数排名与命中率能回答排序是否更准，却回答不了用户是否看得更久、商品转化是否提高、内容生态是否更健康，也不能保证不会强化对少数创作者的重复曝光。推荐系统最后服务的是用户与平台目标，不是一张表里的粗体数字。

数据本身也留下三个限制。第一，正反馈由观看完成率阈值构造，短视频天然更容易获得高完成率，时长偏差需要额外处理；第二，25分钟会话切分是人为规则，不同内容场景可能需要不同窗口；第三，数据来自单个平台，作者关系、类别体系和用户行为能否迁移到其他内容电商平台，尚未被实验回答。

此外，论文的数据声明是按请求提供，没有论文专属代码或项目页可供直接核验。方法公式、表格和消融足以支持机制解读，但复现者仍需自行完成图构建、负样本、批处理和评测细节。对于准备采用这条路线的团队，复现成本不只在模型，还在数据管线是否能稳定产出三条同步序列。

一句话总结：当用户兴趣同时沿着内容、主题和创作者三条路径流动时，只建一张物品图确实不够；MSAGNN证明了分路建模再动态融合是条有效路线，但它的上线价值仍需延迟、跨平台和真实业务指标来补完。

十二、龙迷三问

第一，作者偏好是稳定兴趣，还是平台重复曝光造成的结果？ 离线序列很难完全区分二者。更强的验证应加入曝光日志、去偏估计或在线随机实验。

第二，三路独立图能否扩展到商品、品牌、音乐与话题？ 技术上可以，但每加一路都会增加参数、计算与噪声。应先证明该维度拥有独立且稳定的转移信息。

第三，怎样避免推荐越来越同质？ 准确率提升不自动等于多样性提升。上线时应同时观察创作者覆盖、类别覆盖、新颖性、长尾曝光和用户负反馈，必要时在排序后增加多样性约束。

参考资料

论文主页

https://link.springer.com/article/10.1007/s40747-026-02489-9

CaSe4SR

https://doi.org/10.1016/j.knosys.2020.106558

IGT

https://doi.org/10.1016/j.eswa.2022.118970

GCE-GNN

https://doi.org/10.1145/3397271.3401142

本文基于龙哥读论文数据库与论文检索资料进行汇总整理。

本文仅作论文解读与技术讨论，不构成产品效果承诺。实验数字与方法细节以原论文为准。