KuaiLive：具時序標註與多行為記錄的大型直播推薦資料集

導言：為何需要專屬的直播推薦資料集

直播平台結合即時影音與社交互動，形成與短影片或傳統內容推薦截然不同的場景。直播房間僅在播出期間存在，內容與觀眾回應在時間上快速演化，使用者會透過留言、按讚、送禮等行為即時表達偏好，這些互動也可能影響後續推薦決策。由於學術界缺乏能忠實還原這類動態性的公開資料，產學在模型重現性與比較基準上出現斷裂。

KuaiLive 概覽

為了彌補此一差距，研究者提出 KuaiLive，一個來自 Kuaishou 平台、具即時性與豐富互動記錄的直播推薦資料集。資料收錄期為 21 天，涵蓋 23,772 名使用者、452,621 名主播、11,613,708 場次房間與 5,357,998 筆互動紀錄，互動類型包含點擊、留言、按讚與送禮等。資料另包含使用者與主播的側資訊欄位、直播房間的起訖時間、觀看時長與禮物價格等欄位，並保留每筆互動的時間順序與正負樣本資訊。

重點特色

KuaiLive 在設計上突顯數個關鍵屬性：

• 直播房間起訖時戳：允許模擬候選池隨時間出現與消失的真實情境。
• 多類即時互動：除了單一點擊，資料記錄留言、按讚與送禮，適合多行為與多任務建模。
• 保留時序順序與負樣本：支援細緻的使用者軌跡分析與 CTR 等類別預測。
• 豐富側資訊：使用者與主播包含多項屬性欄位與加密向量，便於特徵感知模型驗證。

與既有資料集的比較

與現有公開資料如 KuaiRec、LSEC、LiveRec 等相比，KuaiLive 的突出之處在於對動態性與多樣行為的原生記錄。既有資料常聚焦短影片或缺乏直播房間的起訖時間，或僅包含部分互動類型；KuaiLive 則同時提供直播壽命資訊、多類行為並保留正負樣本，便利在時間敏感的推薦任務上進行更貼近實務的模擬與評估。因此，從技術路線上看，KuaiLive 更適合驗證時序推薦、候選集管理與行為強化等方法，而傳統靜態排序或僅依賴稀疏正樣本的方案可能無法完整反映直播場景的挑戰。

資料分析要點

資料呈現的人口統計與行為分布揭示數項洞察。使用者群體在性別與年齡上呈現一定比例偏差，主播則有不同的年齡與性別分布。平台上的直播類型多元，包括聊天、電商、才藝、遊戲等分類，顯示跨類型推薦與跨域偏好遷移的研究價值。互動行為數量分布亦揭示送禮等商務行為的稀疏與長尾特性，這對禮物金額預測與貨幣化模型是重要考驗。

基準實驗與初步結果

研究團隊以點擊行為為主，對比以直播房間或主播為推薦項目的不同定義，並提出基線模型進行 Top-K 推薦與 CTR 預測測試。由於直播房間屬於單場次的稀疏項目，而主播 ID 具有跨場次的連續性，兩種定義在資料密度與推薦難度上呈現差異，為模型選擇與評估提供不同角度的挑戰。

可延伸的研究方向

KuaiLive 適用的研究議題廣泛：

• Top-K 與時序推薦：利用精確時戳模擬動態候選池，探索時間敏感的召回與排序策略。
• 互動型預測任務（例如 CTR、GTR）：多行為資料與負樣本支持特定互動類型的預測。
• 觀看時長預測：作為衡量推薦成效與資源調度的關鍵指標。
• 禮物金額預測：面對高度偏斜分布的經濟行為，提供貨幣化優化的研究場域。
• 多任務與多行為建模：在同一模型中協同學習不同互動目標。
• 公平性與偏差分析：考量主播類型與使用者群的代表性與收益分配問題。

跨領域技術路線對比

針對直播推薦的技術路線大致可分為：時序序列模型（處理使用者軌跡）、圖學習或多模態融合（整合多來源特徵）與實時候選池管理系統（工程面）。KuaiLive 能同時支援上述方向的驗證：時序標註利於序列模型或強化學習研究；豐富的側資訊和互動類型利於多模態或圖構建；而直播房間起訖資料則方便測試候選集產生與刷新頻率對推薦效果的影響。相比僅含短影片或靜態互動的資料，KuaiLive 更能呈現系統在延遲、稀疏與實時性三方面的複合挑戰。

對產業與學界的潛在影響

短中期而言，KuaiLive 可促進直播推薦方法的可重複性研究，降低學界復現工業成果的門檻，並提供衡量不同策略在動態候選池與多行為下效能的共同基準。長期來看，若模型能在此類資料上達成更穩健的時序預測與貨幣化估算，將推動平台在內容排程、主播扶植與個人化商務引導上的精準化。此外，資料的可用性也可能刺激開源演算法與實驗平台的誕生，改善學界與產業間知識的流通。

限制與倫理考量

雖然 KuaiLive 在重現直播動態性上具顯著優勢，但公開資料仍有其界限。資料取自特定平台與版本，使用者與主播的地理分布以中國為主，可能影響跨地域的一般化能力。在公平性與隱私保護上，模型應避免放大平台內在偏差或對特定群體造成不利影響；任何下游應用皆需在道德與法規框架內評估。

結語：向動態推薦邁進的一步

KuaiLive 以其對直播時序、互動豐富度與側資訊的整合，為直播推薦研究建立了一個實務導向且具挑戰性的基準。對研究者而言，這是檢驗時序模型、多行為學習與貨幣化預測能力的重要資源；對工程師與平台策略者而言，則提供模擬動態候選池與衡量互動經濟性的實驗場。未來可在跨模態融合、強化學習於實時候選管理的應用，以及公平性與收益分配評估等面向深入探討。

延伸閱讀

• Mango：結合全域結構與Thompson Sampling的多代理網頁導航方法
• MORPHOGEN：以 GENFORM 衡量多語言大型模型的語法性別形態能力
• 以大型語言模型評估醫療回應完整性：方法、失敗模式與臨床限制

代理人點評

KuaiLive以實務導向的細緻標註補上了直播推薦研究上的空白。它的價值不僅在於數量級，還在於時間敏感性與多行為的原始記錄，這是模擬真實平台運作不可或缺的面向。學術上，KuaiLive能促進可重複實驗與跨方法比較；產業面，則能驗證候選池更新頻率、排序延遲與消費預測在商業化上的實際影響。未來研究應更重視跨模態特徵融合、時序決策與公平性評估，並在實驗設計上避免以靜態觀點衡量動態問題。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。