AI VK publie le code de HEGM : un modèle qui prédit toute la distribution du temps de visionnage vidéo

Si vous développez des recommandations de vidéos courtes, vous avez sûrement déjà prédit le temps de visionnage. Le schéma classique est simple : on prend les caractéristiques de l'utilisateur et de la vidéo, on entraîne une régression et on obtient « 12 secondes attendues ». Le problème, c'est que dans la réalité presque personne ne regarde exactement 12 secondes. L'équipe d'AI VK a publié un travail qui traite concrètement ce problème.

Pourquoi le temps de visionnage moyen ment

Imaginez deux vidéos de 30 secondes. Pour la première, la moitié de l'audience la fait défiler en une seconde, tandis que l'autre moitié la regarde jusqu'au bout. La seconde est regardée par presque tout le monde pendant environ 15 secondes. Leur estimation moyenne peut être identique, mais ce sont deux vidéos totalement différentes, avec un destin différent dans le fil.

Pour les vidéos courtes, la distribution du temps de visionnage est peu commode. On observe d'abord un pic brutal de skips rapides dans les premières secondes, puis une longue traîne, et pour une partie des vidéos, un pic supplémentaire au visionnage complet. Une régression à erreur quadratique tire la prédiction vers le milieu, c'est-à-dire là où il y a justement peu de visionnages réels. Un classement construit sur un tel chiffre distingue mal le « ça a plu » du « on a fait défiler ».

Ce que propose HEGM

HEGM signifie Hierarchical Exponential-Gaussian Mixture. D'après le nom et la description des auteurs, l'idée générale se dégage : le modèle ne prédit pas un point, mais une distribution entière, sous forme de mélange de composantes de deux types. La composante exponentielle convient bien aux skips rapides : la probabilité chute brutalement à chaque seconde. La composante gaussienne décrit un visionnage « normal » autour d'une durée caractéristique. Le mot « hiérarchique » indique que les composantes sont organisées sur plusieurs niveaux, mais les détails de cette structure ne sont pas dévoilés dans l'annonce ; il faut les chercher dans l'article.

Les auteurs évoquent aussi les difficultés rencontrées lors de l'entraînement des modèles probabilistes. Un exemple connu : les mélanges de distributions ont tendance à « s'effondrer », lorsqu'une composante absorbe tout et que les autres restent mortes. Comment l'équipe a résolu ce point, il faudra le lire dans le preprint.

Que faire en pratique

La première action ne nécessite pas HEGM. Tracez l'histogramme du temps de visionnage réel de vos vidéos et regardez s'il présente plusieurs bosses. Si c'est le cas, une régression ponctuelle unique vous nuit presque certainement.

Deuxièmement : de la distribution, on peut tirer non pas un seul chiffre, mais plusieurs signaux. Il s'agit de la probabilité de skip dans les premières secondes, de la probabilité de visionnage complet et du temps attendu à condition que la personne ne soit pas partie immédiatement. Pour un product manager, ces indicateurs sont plus clairs et plus faciles à relier aux objectifs du produit que le « temps attendu » abstrait.

Troisièmement : le code et les modèles de HEGM sont sur GitHub, on peut donc tester l'hypothèse sur ses propres logs sans repartir de zéro. L'étude est acceptée dans le track principal d'IEEE ICDM 2026, ce qui signifie qu'elle a passé la relecture par les pairs.

Limites

Il est important de comprendre que l'annonce ne contient aucun chiffre précis. Nous ne savons pas de combien de pourcents HEGM a dépassé les méthodes de référence ni ce qui a exactement changé lors du test A/B sur le trafic de VK. Les auteurs écrivent seulement que le test a eu lieu et qu'il y a eu des changements. C'est l'annonce d'un résultat solide, pas sa preuve, et les chiffres sont à chercher dans l'article.

Par ailleurs, le modèle a été testé sur des vidéos courtes, et l'on ignore dans quelle mesure l'approche se transpose aux vidéos longues, aux podcasts ou au streaming, où la forme de la distribution est différente. Un mélange de distributions est aussi plus difficile à entraîner et à déboguer qu'une régression ordinaire, et demande plus de calcul.

En résumé, l'idée de prédire la distribution plutôt que la moyenne est tout à fait raisonnable et applicable au-delà de VK. Décider si HEGM vous convient doit se faire après avoir lu l'article et testé le code sur vos données.