TubiFM：流媒体发现的统一项目、轮播和搜索排名

个性化发现系统通常会为项目排名、轮播排名和搜索训练单独的模型，即使这些任务会暴露来自同一观看者旅程的互补信号：手表塑造轮播和项目排名，搜索查询即使不会导致目录匹配也能揭示意图，而观看历史记录有助于将搜索解释为重新观看、继续或新发现。我们引入了用户故事，这是一种序列化表示，它将用户的跨表面历史记录（属性、会话、具有表面和轮播上下文的观看事件以及搜索事件）转换为单个词元序列。通过将预训练的语言标记与特定于领域的事件标记交错，用户故事可以将异构推荐和搜索任务表示为通过共享语法提示的下一个标记预测。 TubiFM 是这种方法的一个实例：基于 Llama 3.2 1B 的模型，根据用户故事进行训练，并提示对项目、轮播或搜索结果进行排名，而无需特定于任务的架构。在离线评估中，这个单一模型在项目、轮播和搜索排名方面优于专业基线。在在线 A/B 测试中，TubiFM 将搜索总观看时间 (TVT) 显着提高了 $+3.9\%$，将轮播 TVT 显着提高了 $+0.30\%$。 TVT 上的项目排名在统计上是中性的 ($+0.14\%$)，但与成熟的生产堆栈相匹配；在所有三项任务中，TubiFM 都在 L40S GPU 上运行，并将 p99 排名延迟从 500 毫秒减少到 200 毫秒。这些结果表明，共享用户故事可以提高发现率，同时简化排名系统。