EGMN 是什么？小红书预测视频观看时长的混合分布模型

指数-高斯混合网络（Exponential-Gaussian Mixture Network，EGMN）是一种预测短视频观看时长的模型，由小红书的研究团队在 2025 年 8 月提出，论文标题是《基于指数-高斯混合网络的多粒度分布建模用于视频观看时长预测》，获得了推荐系统领域重要会议 RecSys 2025 的最佳论文提名。

为什么要预测观看时长

在短视频平台上，准确预测用户会看一个视频多久，对提升用户参与度至关重要。观看时长是衡量用户是否真正喜欢一个视频的重要信号，比点击更能反映兴趣，推荐系统会根据它来决定把哪些视频推给谁。

观看时长的分布很“怪”

研究团队系统分析了真实的工业数据，从分布的角度发现了观看时长预测的两个关键挑战。第一是粗粒度上的严重偏斜：大量的观看行为是快速划走，用户看了一两秒就滑到下一个视频，这导致观看时长的分布在接近零的地方高度集中。第二是细粒度上的多样性：不看快速划走的部分，用户和视频之间的互动模式各式各样，有人看到一半，有人看完，有人反复看，形成了多个不同的“峰”。传统方法通常预测一个平均值，或者假设一种简单的分布，很难同时刻画这两种特征。

EGMN 的做法

基于这些发现，研究者假设观看时长服从一种“指数-高斯混合”分布：用指数分布刻画快速划走带来的偏斜，用多个高斯分布刻画多样的观看模式，两者按一定比例混合。EGMN 是一个神经网络，由两个关键模块组成：隐藏表示编码器，先为用户和视频生成一个在所有分布分量之间共享的表示；混合参数生成器，再基于这个表示，估计每个分布分量的参数，并用门控网络决定各个分量的混合比例。这样，模型输出的不是一个数，而是一个完整的分布。

效果

论文报告，EGMN 在公开数据集和小红书的工业数据集上都优于已有方法，并在线上实验中提升了用户的观看时长等指标。这项工作体现了“先理解数据分布、再设计模型”的思路，对推荐系统中各种长尾、多峰的预测问题都有借鉴意义。