近几年短视频类应用的用户消费时长逐年变长，催生了抖音快手等一大批短视频软件。而在短视频推荐中，短视频的播放时长预估又是最核心的，今天主要讨论一下短视频时长建模。
推荐系统经过了三代迭代，第一代推荐系统的代表是90年代中期的亚马逊，直接离线计算几个协同然后在线吐出去，经典的是基于物品的item-cf和基于用户的user-cf，第一代推荐系统可以定义为有没有推荐，只要有cf就是有推荐，当然cf类模型现在依然是召回端的核心模型。第二代推荐系统的一个核心标志是开始有机器学习模型了，相比于第一代是在cf召回的后边接了一个模型，当然我们现在都把这个模型称为精排模型；在业务上，第二代推荐系统基本都是单目标的，而且目标基本都是二分类点击率，第二代的模型现在成了精排环节的核心模型。到了第三代推荐系统，在业务上的代表是变成间接目标了，常见的比如时长和留存，这些目标往往无法直接建模，只能进行拆解成多个相关目标；在系统内，已经变成了一个很复杂的系统工程了，现在一般拆分为四级漏斗，召回、粗排、精排、重排，每一个阶段都有很细化的东西。
简述
基于上面信息，第三代推荐系统对应到短视频推荐上，假设目标就是典型的时长和留存，对应的直接目标常见的有三种，二分类是否完播、二分类是否互动、回归播放时长。前两个都有一些各自的衍生目标，比如是否完播衍生出来有效播放、长播放；是否互动衍生出来点赞、评论、分享、进入作者主页。
预测播放时长基本是短视频推荐中最核心的，时长建模我们最容易想到的就是直接回归建模，损失函数用MSE。
从0-1建模时长这样做没有问题，肯定是有效的，但是随着优化的深入，会发现分视频时长的准度随着视频时长的变长逐渐变差。
这很符合预期，因为短视频分发量大，在模型侧也训练更充分。
短视频分发好不一定是好事，短视频制作成本低，用户看完获得感差，长期对于平台不是好事。
那么怎样才能发长视频分发好呢？
时长建模里，视频本身的时长是一个很强的bias，长的视频有天然的播放时间长的特性。
