快手在哪里看历史浏览记录(快手怎么看游戏直播回放)

目前的社交媒体和内容社区平台有很多，抖音、快手、B站、微信、微博等等，但作者认为，小红书是最值得大部分人和新品牌做的平台。为什么有这样的观点，作者在文章中聊到了小红书的发展历史、营销生态，以及小红书与其他平台的简单对比，一起来看看吧。

搭建不损害用户体验的低质量UGC内容的分发渠道，是社区氛围运营的关键也是短视频APP的突破口，让短视频内容分发回归到内容价值和关系价值上才是视频社区氛围运营的内核。

——化学竞赛经验分享

而具备供应链能力的品牌，大多是选品、找主播、开直播这样简单粗暴的带货逻辑，缺乏做内容的意愿和动力。所以平台高涨的GMV背后，更多还是内容造流量，电商消耗流量的简单逻辑，彼此偏割裂。

功能介绍：历史记录功能展示的短视频一行展示3个只显示短视频首帧和点赞数，且左上角会显示该短视频的观看时间。在数据加载方面历史记录默认会加载20条记录，下拉之后再加载20条记录。

2021年，对快手更加意义非凡，其在年初完成上市动作，与资本市场正式实现对接。当时，在快手内部看来，上市进一步倒逼了快手的能力建设。

前沿讲座—人文清华讲坛

微信公众号：电商在线（ID：dianshangmj），见锐度、见洞察，聚焦互联网和新商业的创新媒体。

清华大学国际关系研究院院长

用户真实使用场景：用户在追的电视剧或综艺已更新，通过该功能快速查看新更新内容。

（快手、抖音、B站的用户互动对比）

内容获取效率：图文>短视频>长文>长视频；图文的内容获取高效难以替代。

分别与大家分享自己的经验

快手号核心数据跟踪

━━━━━

例如想要知道快手公司的E轮的融资信息，可以打开爱企查App。根爱企查显示，快手E轮投资方为腾讯、DST和红杉中国等，除此之外还能看到快手的工商变更、企业年报和对外投资等信息。很多时候，传统搜索引擎反而成为我们使用其它服务的跳板，用文字输入去替代网址，更快地去找到对应的站点，进入站点后再用站内的搜索服务去查找具体的内容。

还有更重要的一点，是广告媒介定位，这直接关系到广告的受众。罗振宇跨年演讲时也举过一个例子，不想在彩票背面投广告，因为给人一种逼格不够高的感觉，就好像品牌广告商不会投地铁的扶手广告一样。“快手上的广告商，他的定位就是品牌广告商不做，普通广告商在视频物料上又做不好，所以商业变现遇到问题。”

今年来，短视频行业也曾畅想过进入本地生活领域，去进一步满足用户的需求。但一定程度上看，后者更多的考验着企业的线下资源与后端履约能力，服务模式上较重，对于主战场在线上的平台来说，这其实是一块难啃的生意。而快手的思路就很清晰，与最擅长这个领域排头兵合作去打开这个战场，而自己将充分发挥线上优势，尤其是在流量与内容生态层面的优势。

……

3月22日（周日） 14：00-15：00

记者：

同理可证，视频号的算法也是基于用户的浏览记录、关注的视频号、点赞评论分享的内容以及不喜欢的内容等多个维度进行建模，经过多种干预机制后再推荐。

被价格吸引的张先生，在看到直播的第二天，便来到了主播指定的门店，购买了这台车。

什么是运损车呢？运损车我不知道您了不了解，就是从甲运到乙的过程中造成的运损，可能造成的事故。90%的补漆是他经过鉴定，还是经过谁给验的？第二点在签质损车协议的时候，我们提供你受损前照片，他看照片就这车这伤你同不同意，你同意就买，你不同意就不买。

实在不行就得找第三方鉴定一下，看看到底这是不是事故车，要是现在解决不了的话，我就是向法院起诉了。

相对来说，抖音更适合新奇特、具有视觉冲击感的产品；小红书更适合高颜值，具有精致感的产品；B站适合有特色，内核耐打有故事的产品；微信的普适性较强，但挑号较难；微博更适合做品宣类推广，舆论制造与扩大；知乎流量比较长尾，适合不追求即时转化的投放；直播需要供应链强，利润空间足的产品。

其中短视频会被长久存放在商家作品中，而直播却只能在短暂的直播过程起到作用，影响力具有时效性。而为弥补这一缺陷，又不少商家会在直播过后通过剪辑的方式，将其中最精彩的片段发布到作品栏，不过短视频最长时限仅为15分钟。

将带领大家一同学习必备安全知识

前沿讲座

可以说，过去多年时间里，快手的进化从未暂停过。在当下这个互联网周期转换的特殊时期，快手除了完成自我组织变革，不断完善平台基础设施，构建更好的社区生态外，其也在不断寻找新的商业化解决方案。

令部分用户因为工作、社交等原因错过直播，长达几小时的直播内容却被大大压缩。

记者还发现，在B站（哔哩哔哩APP）会员购一栏上架的手办商品中有部分形象不雅、形体暴露，商品讨论区大量不雅内容十分露骨。这些商品和页面均未对未成年人设置浏览、购买门槛。

6月22日，记者致电秘乐短视频客服并留下联系方式，表示想就秘乐短视频的模式、会员数量等问题进行采访，接线员表示要转接到运营部门才能回答。截至记者发稿，对方并未对记者进行回复。

用户留存的容错率低；

用户做过某些操作，想恢复至历史状态

业界普遍使用的方法是由 YouTube 在 RecSys 于 2016 年提出来的方法或其变种 [1]，然而该方法最开始的提出是基于「点击 - 观看」的长视频场景，在目前无显式点击 Label 的沉浸式浏览模式下并不适用， 同时短视频场景视频本身长度跨度很大，给模型预估带来了极大的挑战。

论文地址：https://arxiv.org/abs/2206.06003

图一、快手上下滑场景展示

图二、 （a）视频观看时长和视频长度的关系

图二、 （b）不同时间区间视频分布的变化

为了解决上述的问题， 论文提出使用因果推断的方法消除时长预估任务中的 duration bias 问题。论文首次通过因果图的方式给出了时长预估任务的形式化定义。图三揭示了 duration 是时长预估中需要消除的混淆变量（Confounder）：一方面视频的 duration 和 观看时长直接相关；另一方面，时长预估样本中 duration 分布会影响到模型训练本身：模型训练会被长视频主导，同时优势特征 duration 会影响用户侧兴趣的建模。为了消除 duration 的负向影响，论文提出 Duration-Deconfounded Quantile-based (D2Q) 时长预估方法。D2Q 采用后门准则的调整方法，对于不同 duration 的视频，使用 Distribution-Aware 的时长分位数预估方法来消除 duration 带来的影响，从而提升了时长预估精度。通过在快手数据集上大量的离线评估和在线实验，论文发现 D2Q 显著优于 SOTA 时长预估方法，离线评估预估精度提升 2.8pp。基于该方法改进版本的多目标版本已经在快手 APP 上全量，取得了时长和 VV（播放数）的双重增量提升。

图三、 视频推荐场景下观看时长（Watchtime）预估的因果图。D 表示视频的长度 duration，V 表示视频 video， U 表示用户 user， W 表示观看时长 watchtime。

1. 统计训练样本的 duration 分布，得到等频分桶分位点；

2. 将样本按照等频分桶分位点分成 k 个相互独立的分桶 D_k；

3. 对不同 duration 分桶的样本，在组内统计时长分位数作为 label，得到 Duration-Aware Watchtime-Distribution label；

4. 分别在上述的分桶上训练时长预估模型 f_k；

下图四（a）展示了论文的模型，特征选择上，photo 侧包括粗精排预估值 dense/sparse 特征、固有时长 Duration、视频类别标签等，user 侧包括 session 统计特征以及基础属性特征。在训练方式上，第一个版本采用了 M 个网络完全独立，分别学习各自的 label，这种训练方式不共享特征 embedding，特征 embedding 空间随着分桶维度扩大线性增加，存储、训练的资源开销随之增加，实现成本较高，不符合工业界场景的要求；因此论文设计了如图四（b）的网络结构， M 个网络共享底层特征，采用多输出的训练方式，则 batch 内样本分布不均的问题会导致子塔训练不稳定，收敛到局部最优。单塔单输出的训练方式在实际训练时效果稳定，收敛速度较快，是 D2Q 实现的基线版本。为了进一步提升模型效果，论文在单塔单输出模型中引入 Duration bias 模块 (如图四 c 所示)，用于建模不同分桶下的样本差异（Res-D2Q），离线训练指标得到进一步的提升。

图四、D2Q 模型结构示意图

论文分别评估了 0、10、20、30、50、100 时长分桶下，D2Q 以及 Res-D2Q 的预估效果，与常用的时长建模方案 (VR、WLR) 进行对比，结果如下图表所示。其中，VR 表示观看时长回归任务；WLR 是 YouTube 提出的时长预估方式 (在快手单列场景下，使用 60% 全局时长分位数作为正负样本划分依据，并使用观看时长对正样本加权)。由表可知，D2Q 建模方式显著优于 VR 和 WLR，其中 D2Q-30 与 VR 相比提升尤为显著，XGAUC 指标提升 2.8pp；而 Res-D2Q 在相同的 duration 分桶下，XGAUC 相对 D2Q 也有千分位的提升。

图五、D2Q 模型离线评估效果（上）及随着分桶数量变化 XGAUC 变化曲线（下）

为了说明 duration 分桶数对模型预估效果的影响，论文做了消融实验。实验发现 D2Q 的预估效果在 30 分桶后随着 duration 分桶数增加而下降，这一现象主要是由以下原因导致的：(1) 分桶数增加，各分桶下的样本变少，全局分位数统计信噪比降低；(2) 样本空间随着分桶数增加而增大，单塔单输出模型拟合能力有限，导致排序效果下降。在实际大规模线上生效时，论文将统计的数据量扩大的一个量级，通过分布式计算，使得 100 个分桶时效果也不会下降，进一步的提升了模型的效果。

一个高效的时长预估模型对于短视频推荐场景显得非常重要，是评价用户满意度、衡量平台收益的一个重要的指标。该论文首次从因果推断的角度对时长建模进行形式化的定义，同时指出了时长预估中最大的难点和挑战: duration bias。并给出了一套行之有效的方法。然而现有的时长预估的精度和准确度还有很大的提升空间。一方面是由于现有的 Label 设计需要进行进一步的改进的空间：如融合一些其他目标，在时长为主目标的前提下兼顾其他目标；而另外一方面，用户观看视频时长本身相比于其他的显式反馈信号如点赞，评论等噪声更大，如何在不损失信息量的情况下提升视频时长的信噪比也是一个很有价值的研究方向。快手这篇论文也是第一次将时长预估这个问题进行了正式的总结和初探，旨在抛出问题，非常欢迎大家参与到该问题的优化和讨论过程中，将视频推荐的时长预估模型提升一个层次。

[1] Covington, Paul, Jay Adams, and Emre Sargin. "Deep neural networks for youtube recommendations." Proceedings of the 10th ACM conference on recommender systems. 2016.