في عالم الفيديوهات القصيرة، يعتبر وقت المشاهدة (Watch Time) مؤشرًا حيويًا لقياس تفاعل المستخدمين بشكل عميق. ومع ذلك، فإن الطرق الحالية المستخدمة في تنبؤ وقت المشاهدة تواجه الكثير من القيود. فبينما تعاني المسارات التقليدية مثل الانحدار المباشر (Direct Regression) من الانهيار التقديري بسبب الافتراضات الأحادية، تجد طرق مثل الانحدار الترتيبي (Ordinal Regression) نفسها محاطة بأخطاء التقدير من نتيجة التقسيم الصارم. وبالمثل، تعاني طرق الانحدار التوليدي المنفصل (Discrete Generative Regression) من بطء في الاستنتاج وتصميم مفردات موجهة بطريقة هيكلية.

التحدي الأكبر يكمن في عدم القدرة على التقاط تنوع الأنماط التفاعلية بين المستخدمين والعناصر. للتغلب على هذه العقبة، اتجه الباحثون إلى إعادة تقييم المشكلة من منظور سببي، محددين الأنماط الخاصة بالمستخدمين كعوامل هيكلية تؤثر على نتائج وقت المشاهدة.

هنا يُقدم ابتكار FlowTime، وهو طريقة جديدة تعتمد على الانحدار التوليدي المستمر (Continuous Generative Regression)، مستخدمًا نموذج مولّد متغير (Generative Variational Autoencoder) بخطوة واحدة، مما يقلل من وقت الاستنتاج ويحافظ على القدرة التعبيرية للفضاءات الكامنة المستمرة.

تتضمن هذه التكنولوجيا تصميم أولوية شخصية تعتمد على تدفقات البيانات (Flow-based Personalized Prior) لتحويل أولوية غاوسية نمطية إلى نمط معقد مشروط بالتاريخ، مما يتيح نمذجة ديناميكية للتفاعلات.

لتأكيد فعالية FlowTime، تم بناء مكتبة WTP (تنبؤ وقت المشاهدة) مفتوحة المصدر، جنبا إلى جنب مع مقياس تخصيص جديد لتأسيس معيار تقييم صارم. وأثبتت التجارب الواسعة عبر الإنترنت وA/B أن FlowTime يتفوق بشكل ملحوظ على الأساليب المعتمدة حاليًا.

إن هذا الابتكار يعد نقطة تحول في كيفية تعاملنا مع نظم التوصيات، مما يفتح آفاقًا جديدة لتعزيز تجربة المستخدم وزيادة التفاعل عبر منصات الفيديو.