本文引用格式：，.基于視覺交互的短視頻內(nèi)容推薦機(jī)制研究[J」.藝術(shù)科技，2025，38（7)：144-146.

中圖分類號(hào)：G206文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-9436（2025）07-0144-03

短視頻平臺(tái)憑借即時(shí)性、直觀性與多樣性內(nèi)容傳播特點(diǎn)，已成為全球數(shù)十億用戶獲取信息的主要渠道。隨著用戶規(guī)模持續(xù)擴(kuò)張及內(nèi)容體量不斷增長(zhǎng)，如何在海量?jī)?nèi)容中實(shí)現(xiàn)精準(zhǔn)推薦，成為平臺(tái)增強(qiáng)用戶黏性的關(guān)鍵競(jìng)爭(zhēng)點(diǎn)。當(dāng)前短視頻的主流推薦機(jī)制是根據(jù)點(diǎn)贊、評(píng)論、收藏等用戶行為判斷用戶興趣點(diǎn)，據(jù)此為用戶推薦高相似度的內(nèi)容[1]。這種方法雖簡(jiǎn)單快捷，但難以確認(rèn)用戶是否對(duì)此類內(nèi)容產(chǎn)生足夠的興趣。在用戶觀看短視頻的過程中，用戶的視線軌跡、視線停留時(shí)長(zhǎng)、視線鎖定點(diǎn)等在很大程度上反映了用戶的關(guān)注點(diǎn)，這些視覺交互行為能夠?yàn)槔斫庥脩粽鎸?shí)興趣提供參考。

趣相似的視頻，或向用戶推薦與其既往喜歡視頻相似的內(nèi)容。內(nèi)容分析則側(cè)重于視頻本身的屬性，主要利用計(jì)算機(jī)視覺、自然語(yǔ)言處理、音頻分析等技術(shù)提取視頻的視覺特征、文本特征、音頻特征，基于此構(gòu)建視頻內(nèi)容向量[2]。平臺(tái)則通過計(jì)算用戶歷史行為數(shù)據(jù)，與候選視頻內(nèi)容向量相似度進(jìn)行比對(duì)，借此向用戶推薦內(nèi)容。這兩種方法構(gòu)成了短視頻內(nèi)容推薦基礎(chǔ)層，能夠初步滿足用戶的興趣匹配需求。

1短視頻平臺(tái)主流內(nèi)容推薦機(jī)制

主流短視頻平臺(tái)推薦機(jī)制普遍為基于用戶行為分析的協(xié)同過濾和內(nèi)容分析機(jī)制。協(xié)同過濾方法主要通過算法挖掘用戶觀看、點(diǎn)贊、評(píng)論、分享、關(guān)注、搜索等行為數(shù)據(jù)，借此識(shí)別用戶之間的相似性。協(xié)同過濾會(huì)向目標(biāo)用戶推薦與其興

2短視頻平臺(tái)主流內(nèi)容推薦機(jī)制存在的不足

2.1即時(shí)需求捕捉能力弱

現(xiàn)有短視頻平臺(tái)的主流推薦機(jī)制主要依賴用戶點(diǎn)贊、評(píng)論、收藏等顯性行為。然而，用戶在觀看短視頻過程中的興趣可能是動(dòng)態(tài)變化的，常受到視瀕內(nèi)容、情緒狀態(tài)、好奇心、外界刺激等影響。用戶在單次觀看會(huì)話中，注意力焦點(diǎn)、興趣強(qiáng)度以及對(duì)內(nèi)容的期待都可能隨著視頻播放的每一秒而發(fā)生快速、微妙的變化。這種即時(shí)需求捕捉能力的不足，導(dǎo)致推薦系統(tǒng)難以及時(shí)響應(yīng)用戶注意力焦點(diǎn)和興趣的變化，無法在用戶需求產(chǎn)生的瞬間為其提供最契合的內(nèi)容，從而降低了推薦的精準(zhǔn)度，導(dǎo)致用戶觀看體驗(yàn)得不到進(jìn)一步提升[3]。

2.2潛在興趣挖掘不精準(zhǔn)

當(dāng)前的主流推薦機(jī)制在識(shí)別用戶潛在興趣方面存在局限性。一方面，短視頻平臺(tái)系統(tǒng)過度依賴用戶過去的顯性行為進(jìn)行預(yù)測(cè)，導(dǎo)致推薦結(jié)果高度集中于用戶已知興趣領(lǐng)域，從而形成“信息繭房”。這種機(jī)制難以有效捕捉用戶未通過顯性行為表達(dá)，但實(shí)際存在的潛在興趣點(diǎn)。另一方面，算法對(duì)用戶觀看過程中表現(xiàn)出的“弱信號(hào)”缺乏敏感度，如對(duì)視頻中出現(xiàn)的背景、服飾、藝術(shù)元素以及文字等特定內(nèi)容的短暫凝視或短暫暫停，這些未被量化的視覺交互痕跡恰恰是潛在興趣的關(guān)鍵要素。

2.3視覺交互行為分析缺失

當(dāng)前主流推薦機(jī)制對(duì)用戶在觀看中產(chǎn)生的深層視覺交互行為缺乏系統(tǒng)性分析。平臺(tái)雖能記錄基礎(chǔ)播放行為，卻普遍忽視精細(xì)視覺信號(hào)的價(jià)值。例如，用戶視線在屏幕上的移動(dòng)軌跡、用戶對(duì)關(guān)鍵畫面聚焦時(shí)間、用戶觀看視頻的暫停點(diǎn)等，這些均可能伴隨著微表情變化[4]。這些視覺交互數(shù)據(jù)是用戶無意識(shí)注意力分配的直接外顯，蘊(yùn)含著比顯性點(diǎn)擊行為更豐富的潛在需求線索。但短視頻平臺(tái)現(xiàn)有推薦機(jī)制無法將這些高價(jià)值的興趣信號(hào)轉(zhuǎn)化為興趣標(biāo)簽。

3視覺交互在短視頻內(nèi)容推薦中的應(yīng)用價(jià)值

3.1提升用戶興趣識(shí)別精度

視覺交互數(shù)據(jù)為短視頻推薦系統(tǒng)突破傳統(tǒng)的用戶行為分析瓶頸、實(shí)現(xiàn)用戶興趣的精準(zhǔn)刻畫提供了新的思路。而視覺交互行為可通過抓取用戶觀看中的視線軌跡、凝視時(shí)長(zhǎng)、回看片段內(nèi)容、暫停關(guān)注點(diǎn)等，反映用戶無意識(shí)的注意力分配特點(diǎn)。這些毫秒級(jí)的行為信號(hào)構(gòu)成了用戶興趣的連續(xù)動(dòng)態(tài)圖譜，使系統(tǒng)能夠捕捉傳統(tǒng)方法無法獲取的用戶需求[5]。

以B站《15天花20萬元用500克黃金敲數(shù)萬錘純手工復(fù)原三星堆黃金面具》短視頻為例，部分用戶可能對(duì)“三星堆黃金面具”感興趣，部分用戶可能對(duì)“復(fù)原技術(shù)”感興趣，通過視覺交互，系統(tǒng)可根據(jù)用戶視線是停留在環(huán)境方面還是停留在復(fù)原動(dòng)作上判斷用戶興趣。通過分析，系統(tǒng)能夠?qū)⒂脩粢暰€行為數(shù)據(jù)轉(zhuǎn)化為用戶的興趣表達(dá)特征，并識(shí)別用戶的興趣強(qiáng)度變化規(guī)律，從而提升修通推薦的語(yǔ)義相關(guān)性與個(gè)性化精度。

3.2拓展用戶觀看行為數(shù)據(jù)

傳統(tǒng)的內(nèi)容推薦依賴用戶結(jié)果性行為數(shù)據(jù)，如點(diǎn)擊/跳過、點(diǎn)贊/收藏、播放時(shí)長(zhǎng)等，這些結(jié)果性指標(biāo)僅能反映用戶的結(jié)果導(dǎo)向，無法還原觀看過程中的細(xì)節(jié)行為。而視覺交互分析可通過實(shí)時(shí)捕獲用戶眼動(dòng)軌跡、瞳孔變化情況、眨眼頻率等生理反應(yīng)，以及面部微表情變化，構(gòu)建完整的觀看行為證據(jù)鏈，使系統(tǒng)能夠量化用戶對(duì)視頻中非主體元素的關(guān)注度。

以李子柒“紫氣東來”短視頻為例，這是2021年7月4日季子柒更新完《柴米油鹽醬醋茶》后的首個(gè)視頻，視頻主要以漆器制作為主，用戶關(guān)注點(diǎn)可能是漆器本身，可能是鄉(xiāng)村背景，可能是山野風(fēng)光，抑或是溪流與花朵，傳統(tǒng)推薦機(jī)制可能將這些用戶偏好歸類于“李子柒”系列視頻，用戶管理行為被限制在單一的“李子柒”標(biāo)簽方面。而視覺交互則可以根據(jù)獲取用戶的視覺關(guān)注點(diǎn)和微表情變化，將漆器、鄉(xiāng)村、山野風(fēng)光、溪流、花朵等填充至用戶行為數(shù)據(jù)庫(kù)中，極大地豐富了用戶的行為數(shù)據(jù)，為推薦模型提供了數(shù)量級(jí)更高、語(yǔ)義更豐富的訓(xùn)練素材。

3.3增強(qiáng)推薦內(nèi)容的針對(duì)性

視覺交互分析還可以通過解碼用戶無意識(shí)的注意力，使短視頻推薦系統(tǒng)突破傳統(tǒng)標(biāo)簽匹配模式的限制，使短視頻內(nèi)容與用戶需求精準(zhǔn)對(duì)接。視覺交互方式可獲取用戶視覺焦點(diǎn)，由此揭示用戶對(duì)視頻微觀的興趣強(qiáng)度，系統(tǒng)可據(jù)此構(gòu)建用戶興趣特征庫(kù)，為其提供針對(duì)性地觀看內(nèi)容。

以《指尖上的傳承》紀(jì)錄片中的《玉雕》一集為例，視頻中出現(xiàn)多個(gè)栩栩如生的玉雕作品，如花卉類、鳥類、山水類、器物類、人物類等，如某用戶對(duì)人物類玉雕感興趣，目光緊隨玉雕變化，面部泛起喜愛表情，通過視覺交互可以獲取該用戶的這些行為變化數(shù)據(jù)，從其為其推薦更多人物類玉雕視頻?？梢姡谝曈X交互的推薦機(jī)制尤其擅長(zhǎng)捕捉用戶短暫涌現(xiàn)的需求，使系統(tǒng)能即時(shí)響應(yīng)這類“瞬時(shí)興趣”窗口，顯著降低推薦內(nèi)容相關(guān)但非所需的問題。

3.4優(yōu)化內(nèi)容推薦反饋機(jī)制

視覺交互還可為短視頻推薦系統(tǒng)構(gòu)建高靈敏度、低延遲的動(dòng)態(tài)反饋機(jī)制，解決推薦因依賴顯性行為導(dǎo)致的反饋延時(shí)問題。視覺交互可以對(duì)用戶毫秒級(jí)眼動(dòng)軌跡進(jìn)行追蹤，為系統(tǒng)提供連續(xù)、實(shí)時(shí)、無感的用戶評(píng)估數(shù)據(jù)流。

以《藝韻江南》短視頻為例，該短視頻主要介紹獨(dú)具魅力的江南文化，重點(diǎn)講解江南地區(qū)的地緣、人緣和文化。由于內(nèi)容豐富多彩，用戶關(guān)注點(diǎn)不同，因而想要為用戶提供個(gè)性化推薦難度較大。而視覺交互的應(yīng)用可解決這一問題，用戶對(duì)江南文化的了解興趣強(qiáng)烈，可能滑動(dòng)視頻將地緣、人緣部分內(nèi)容略過，重點(diǎn)將目光停留在文化部分，系統(tǒng)通過識(shí)別用戶在不同片段中的注視時(shí)長(zhǎng)、表情變化可自動(dòng)匹配用戶需求，為用戶在后續(xù)觀看中提供類似內(nèi)容。

4基于視覺交互的短視頻內(nèi)容推薦機(jī)制

4.1通過視覺行為挖掘用戶需求

基于視覺交互的短視頻內(nèi)容推薦首先要通過視覺行為挖掘用戶需求，通過視覺交互捕捉用戶觀看過程中無意識(shí)流露的即時(shí)興趣，解決因行為數(shù)據(jù)稀疏性導(dǎo)致的需求誤判問題。首先，建立多維度視覺行為數(shù)據(jù)庫(kù)，系統(tǒng)性采集用戶觀看中的毫秒級(jí)交互信號(hào)，包括屏幕注視熱力圖、重復(fù)回看頻次、滑動(dòng)速度動(dòng)態(tài)變化、自然暫停觸發(fā)畫面以及微表情反應(yīng)等，這些數(shù)據(jù)構(gòu)成用戶觀看過程的連續(xù)記錄。其次，將視覺行為與視頻內(nèi)容關(guān)聯(lián)，通過時(shí)空對(duì)齊技術(shù)解析用戶行為對(duì)應(yīng)的具體內(nèi)容。例如，將多次回看的片段定位到特定語(yǔ)義單元，將滑動(dòng)減速點(diǎn)關(guān)聯(lián)至場(chǎng)景，這可以將原始的行為轉(zhuǎn)化為可量化的興趣指標(biāo)。最后，構(gòu)建動(dòng)態(tài)興趣驅(qū)動(dòng)模型，基于行為與內(nèi)容關(guān)聯(lián)結(jié)果生成實(shí)時(shí)的興趣向量，模型主要識(shí)別三類關(guān)鍵需求，即顯性需求、潛在需求、即時(shí)需求，在下一刷立即推送相似視覺元素的短視頻。該機(jī)制能使系統(tǒng)主動(dòng)響應(yīng)用戶未言明的探索意圖，并在單次觀看會(huì)話內(nèi)完成需求挖掘和內(nèi)容匹配。

4.2基于視覺偏好構(gòu)建用戶畫像

通過視覺交互行為構(gòu)建用戶畫像，可以利用用戶無意識(shí)的視覺注意力分配模式，捕捉顯性行為未覆蓋的偏好，解決用戶畫像更新滯后的問題。首先，提取視覺行為衍生的興趣語(yǔ)義單元。系統(tǒng)自動(dòng)分析用戶聚焦的高頻視覺元素、內(nèi)容主題、場(chǎng)景類別、暫停行為等，這些元素經(jīng)聚類轉(zhuǎn)化為視覺興趣標(biāo)簽，構(gòu)成畫像的基礎(chǔ)語(yǔ)義。其次，建立多維度偏好量化模型。基于用戶行為強(qiáng)度計(jì)算用戶對(duì)每個(gè)語(yǔ)義的興趣，如凝視時(shí)長(zhǎng)、回看頻率、場(chǎng)景停留時(shí)間等，將其作為用戶偏好分析的參考。最后，通過畫像實(shí)時(shí)驅(qū)動(dòng)內(nèi)容推薦決策。系統(tǒng)將動(dòng)態(tài)畫像轉(zhuǎn)化為推薦內(nèi)容：當(dāng)系統(tǒng)檢測(cè)到用戶對(duì)某內(nèi)容的視覺停留時(shí)長(zhǎng)突破閾值時(shí)，即時(shí)搜索數(shù)據(jù)庫(kù)中與該內(nèi)容相關(guān)的視頻，將類似的視頻推送給用戶，然后再通過視覺交互獲取用戶在新視頻中的行為數(shù)據(jù)，并與之前視頻的用戶行為數(shù)據(jù)進(jìn)行對(duì)比，總結(jié)用戶的興趣需求，從而進(jìn)一步優(yōu)化推薦策略。

4.3利用沉浸式交互設(shè)計(jì)適配內(nèi)容

利用沉浸式交互設(shè)計(jì)適配內(nèi)容，可使系統(tǒng)主動(dòng)響應(yīng)用戶視覺行為，對(duì)推薦內(nèi)容進(jìn)行精準(zhǔn)匹配，解決傳統(tǒng)推薦機(jī)制中忽視交互情境的問題。首先，設(shè)計(jì)視覺行為觸發(fā)的動(dòng)態(tài)內(nèi)容調(diào)節(jié)功能。系統(tǒng)能夠?qū)崟r(shí)解析用戶交互強(qiáng)度，如當(dāng)檢測(cè)到高專注度信號(hào)時(shí)，自動(dòng)生成關(guān)鍵畫面筆記彈窗、關(guān)聯(lián)知識(shí)圖譜延伸推薦；識(shí)別到碎片化瀏覽信號(hào)則智能提取視頻摘要，并強(qiáng)化字幕呈現(xiàn)。其次，開發(fā)手勢(shì)交互表達(dá)通道。在傳統(tǒng)滑動(dòng)操作基礎(chǔ)上新增語(yǔ)義化手勢(shì)庫(kù)，橫向長(zhǎng)按觸發(fā)推送背景知識(shí)卡片，畫圈標(biāo)記自動(dòng)捕捉畫面主體生成興趣標(biāo)簽；雙指縮放調(diào)節(jié)信息密度。系統(tǒng)將手勢(shì)轉(zhuǎn)化為需求指令，將手勢(shì)指令作為推薦指標(biāo)。最后，構(gòu)建環(huán)境感知適配機(jī)制。通過設(shè)備傳感器識(shí)別使用場(chǎng)景，系統(tǒng)自動(dòng)調(diào)整視頻時(shí)長(zhǎng)與音頻輸出、過濾特效、優(yōu)化字體與主體比例。這種方式可將用戶無意識(shí)交互行為轉(zhuǎn)化為有意義的內(nèi)容調(diào)控指令，使推薦從單向推送轉(zhuǎn)為雙向?qū)υ?，真正?shí)現(xiàn)以用戶觀看需求為中心的智能推薦。

4.4基于視覺反饋優(yōu)化推薦機(jī)制

基于視覺反饋優(yōu)化推薦機(jī)制可解決傳統(tǒng)推薦機(jī)制反饋延遲的問題，使系統(tǒng)具有持續(xù)適應(yīng)能力。在具體設(shè)計(jì)方面，首先要建立視覺行為評(píng)估體系。系統(tǒng)將原始交互信號(hào)轉(zhuǎn)化為三類可計(jì)算指標(biāo)，即內(nèi)容價(jià)值系數(shù)、興趣衰減指數(shù)、情感傾向值。例如，視覺交互檢測(cè)到用戶對(duì)某要素集中力較高，自動(dòng)提升該要素在內(nèi)容庫(kù)的權(quán)重。其次，采用動(dòng)態(tài)策略引擎，系統(tǒng)以視覺反饋為基準(zhǔn)實(shí)時(shí)調(diào)整推薦策略。例如，當(dāng)用戶對(duì)旅行類視頻表現(xiàn)出較高的興趣，會(huì)出現(xiàn)反復(fù)觀看、點(diǎn)贊收藏、目光凝視等行為，系統(tǒng)根據(jù)這些行為參數(shù)提高旅行類視頻權(quán)重，并增加此類短視頻的推薦比重。最后，構(gòu)建閉環(huán)進(jìn)化機(jī)制。系統(tǒng)通過雙通道持續(xù)升級(jí)，一是通過短期自適應(yīng)通道將當(dāng)前會(huì)話的視覺反饋直接注入推薦鏈，在下一刷即時(shí)呈現(xiàn)相似視頻；二是通過長(zhǎng)期進(jìn)化通道聚合海量用戶視覺行為，挖掘隱式規(guī)律，反向優(yōu)化內(nèi)容生產(chǎn)標(biāo)準(zhǔn)與分發(fā)策略。

5結(jié)語(yǔ)

在短視頻傳播競(jìng)爭(zhēng)日益激烈的當(dāng)下，視覺交互通過解碼用戶注意力分配、情感波動(dòng)及行為動(dòng)機(jī)，對(duì)用戶真實(shí)意圖進(jìn)行透視，并為用戶提供個(gè)性化推薦。本文提出的基于視覺交互的短視頻內(nèi)容推薦機(jī)制，不僅能夠顯著提升短視頻內(nèi)容推薦的精準(zhǔn)度，還能挖掘用戶的潛在興趣。未來，隨著多模態(tài)感知技術(shù)成熟，基于視覺交互的內(nèi)容推薦機(jī)制將逐步進(jìn)化為理解人類意圖的智能體，為用戶提供更多針對(duì)性的短視頻內(nèi)容。

參考文獻(xiàn)：

[1」朱虎韜.面向公眾的AI驅(qū)動(dòng)健康教育視頻內(nèi)容推薦系統(tǒng)的設(shè)計(jì)與優(yōu)化[J].辦公自動(dòng)化，2025，30（7）：55-57.

[2」徐靖宜.用戶生成內(nèi)容與算法推薦機(jī)制在短視頻平臺(tái)上的作用［J].記者搖籃，2025（3）：15-17.

[3]戴煜.短視頻內(nèi)容篩選與精準(zhǔn)傳播策略［J」.記者觀察，2024(30):53-55.

[4」楊璇，許麗云.用戶體驗(yàn)視角下可訪問性設(shè)計(jì)與視覺傳達(dá)交互設(shè)計(jì)的有效融合探討［J］.赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2024，40（10）：17-21.

[5」葉大軍.視頻化生存時(shí)代短視頻新聞的視覺表達(dá)機(jī)制探究［J].新聞研究導(dǎo)刊，2023，14（4）：86-88.