基于内容的视频推荐的向量搜索 - Dailymotion的Gladys和Samuel
内容提要
Dailymotion的机器学习工程师Gladys和Samuel讨论了如何利用Qdrant构建视频推荐系统。Qdrant支持快速邻居搜索和多语言处理，帮助他们通过视频的文本元数据和转录构建视频嵌入，解决了新视频推荐的冷启动问题，显著提高了点击率。Qdrant的可扩展性和团队支持使其成为理想选择。
延伸解读
冷启动问题的具体解法
Dailymotion原有的协同过滤推荐依赖用户交互，新视频或小众视频因缺乏观看数据而难以被推荐。他们通过提取视频的文本元数据和自动转录，构建内容嵌入并存入Qdrant，使新上传视频能立即基于内容相似性获得推荐。这一方法直接针对冷启动，尤其适合新闻等时效性强的视频。
多语言嵌入与过滤的工程选择
Dailymotion的视频涵盖超过300种语言，因此选择了多语言通用句子编码器（MUSE）生成文本嵌入，该模型预训练且无需微调，在CPU上仅需几毫秒。同时，Qdrant支持在向量搜索前按元数据过滤，例如按语言筛选，确保推荐结果符合用户的语言偏好，避免跨语言推荐带来的体验下降。
从匹配引擎迁移到Qdrant的考量
团队最初尝试Google Cloud的匹配引擎，但发现其API不易用、无法像Qdrant那样在查询前进行元数据过滤，且托管方案成本高、控制力弱。迁移到Qdrant后，他们获得了更灵活的过滤能力、易于实施的文档以及团队的直接支持，最终在低信号视频上实现了点击率三倍增长。
流式管道与A/B测试支持
Dailymotion使用流式管道处理视频上传或编辑事件，实时计算嵌入并写入Qdrant，确保推荐内容及时更新。此外，Qdrant的集合别名功能让他们能同时运行多个嵌入版本，通过切换别名进行A/B测试，从而平滑地验证新嵌入（如加入转录）对推荐效果的影响。
Q&A
Dailymotion是如何利用Qdrant构建视频推荐系统的？
Dailymotion通过使用Qdrant的快速邻居搜索和多语言处理功能，结合视频的文本元数据和转录，构建了视频嵌入，从而解决了新视频推荐的冷启动问题。
Qdrant在Dailymotion的推荐系统中有哪些优势？
Qdrant支持快速邻居搜索、可扩展性和多语言处理，能够满足Dailymotion的技术需求，并显著提高了用户的点击率。
Dailymotion如何解决新视频推荐的冷启动问题？
Dailymotion通过构建视频嵌入，利用视频的文本元数据和转录信息，来推荐新视频，从而有效解决了冷启动问题。
使用Qdrant后，Dailymotion的用户参与度有何变化？
使用Qdrant后，Dailymotion的点击率提高了三倍，显著改善了用户参与度。
Dailymotion在视频推荐中使用了哪些技术？
Dailymotion在视频推荐中使用了文本元数据、转录、视频嵌入和Qdrant的向量搜索技术。
Qdrant的可扩展性对Dailymotion有什么重要性？
Qdrant的可扩展性使Dailymotion能够处理大量视频和每日超过1300万的推荐请求，确保推荐系统的高效运行。
