[論文レビュー] UniShare: A Unified Framework for Joint Video and Receiver Recommendation in Social Sharing

Caimeng Wang, Li Chong+3 more|arXiv (Cornell University)|Feb 10, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

UniShare は、双方向の関心、関係-コンテンツの整合、および実世界の Kuaishou データセットを用いた多タスク学習を活用して、ソーシャルシェアリングにおける動画共有と受信者選択を予測する統一的なジョイントモデルを提案します。オンライン展開では shares と receiver の満足度の向上を示します。

ABSTRACT

Sharing behavior on short-video platforms constitutes a complex ternary interaction among the user (sharer), the video (content), and the receiver. Traditional industrial solutions often decouple this into two independent tasks: video recommendation (predicting share probability) and receiver recommendation (predicting whom to share with), leading to suboptimal performance due to isolated modeling and inadequate information utilization. To address this, we propose UniShare, a novel unified framework for joint sharing prediction on both video and receiver recommendation. UniShare models the share probability through an enhanced representation learning module that incorporates pre-trained GNN and multi-modal embeddings, alongside explicit bilateral interest and relationship matching. A key innovation is our joint training paradigm, which leverages signals from both tasks to mutually enhance each other, mitigating data sparsity and improving bilateral satisfaction. We also introduce K-Share, a large-scale real-world dataset constructed from Kuaishou platform logs to support research in this domain. Extensive offline experiments demonstrate that UniShare significantly outperforms strong baselines on both tasks. Furthermore, online A/B testing on the Kuaishou platform confirms its effectiveness, achieving significant improvements in key metrics including the number of shares (+1.95%) and receiver reply rate (+0.482%).

研究の動機と目的

• ソーシャルシェアリングにおける動画推薦と受信者推薦のデカップリングの限界を特定する。
• ユーザ・動画・受信者の三つ組に対する共有確率を jointly モデル化する統一フレームワークを提案する。
• 双方向の関心モデリング、関係-コンテンツの整合、マルチモーダル信号で表現を強化する。
• 階層的ネガティブサンプリングと共同学習によるデータスパース性の緩和。
• 大規模データセット（K-Share）を提供し、共有予測モデルのベンチマークを行う。

提案手法

• 共有確率を結合関数 P(S=1|U,I,V) として unified アーキテクチャでモデル化する。
• 事前学習済み GNN 埋め込みとマルチモーダル動画/ユーザ埋め込みを取り入れ、スパース性を緩和する。
• ターゲットアテンションを用いた双方向の関心モデリングで、共有者と受信者の両方のコンテンツ整合を捉える。
• LLM ベースのセマンティックマッチングと GNN による社会的信号を用いた関係-コンテンツ整合を適用する。
• 階層的ネガティブサンプリングと共有埋め込みを用いた動画と受信者タスクを jointly 学習し、相互強化を可能にする。
• K-Share データセットで AUC、GAUC、NDCG、Recall、MRR などの指標を用いて評価し、コンポーボイントの寄与を定量化するためのアブレーションを行う。

Figure 1. A screenshot illustrating the sharing flow on the Kuaishou platform. The process consists of three stages: (1) watching a video and generating sharing intent and clicking the share button to invoke the sharing panel, and (2) selecting a receiver to complete the sharing action, followed by

実験結果

リサーチクエスチョン

• RQ1 統一モデルは、ソーシャルシェアリングタスクにおいて、別々の動画推奨・受信者推奨のベースラインより優れるか？
• RQ2 双方向の関心と関係-コンテンツ整合が、共有の質を共有者と受信者の双方に対してどう影響するか？
• RQ3 共同学習はデータスパース性を緩和し、長尾の動画と受信者のパフォーマンスを改善するか？
• RQ4 階層的ネガティブサンプリングとパラメータ共有がモデルの有効性に与える影響は？
• RQ5 統一アプローチは実際のプラットフォームでのオンライン展開でどのように機能するか？

主な発見

Model	Video AUC	Video GAUC	Video NDCG@10	Video Recall@10	Video MRR	Receiver AUC	Receiver GAUC	Receiver NDCG@5	Receiver Recall@5	Receiver MRR
PLE (video)	0.7512	0.6919	0.3099	0.2869	0.3880	-	-	-	-	-
DCN (receiver)	-	-	-	-	-	0.9124	0.9140	0.9046	0.8428	0.8456
UniShare	0.7588 *	0.6976 *	0.3110	0.2913 *	0.3934 *	0.9307 *	0.9282 *	0.9093 *	0.8532 *	0.8568 *
w/o all	0.7526	0.6930	0.3103	0.2892	0.3903	0.9213	0.9248	0.8995	0.8394	0.8422
w/o RCA	0.7566	0.6946	0.3106	0.2901	0.3918	0.9282	0.9267	0.9073	0.8511	0.8554
w/o BIM	0.7558	0.6940	0.3106	0.2899	0.3916	0.9273	0.9266	0.9069	0.8499	0.8538
w/o HNS	0.7584	0.6975	0.3110	0.2911	0.3932	0.9238	0.9259	0.9051	0.8468	0.8499

• UniShare は K-Share のオフライン評価で動画推奨と受信者推奨の両タスクで別々のベースラインを上回る。
• 動画推奨 AUC は 0.7512 から 0.7588（+1.01%）、GAUC は 0.6919 から 0.6976（+0.82%）。
• 受信者推奨 AUC は DCN から UniShare へ 0.9124 → 0.9307（+2.01%）、GAUC は 0.9140 → 0.9282（+1.55%）。
• Video Recall@10 は 0.2869 から 0.2913（+1.53%）。
• アブレーションはコンポーネントの寄与を示し、BIM、RCA、または HNS を削除すると性能が低下し、特に受信者の AUC に対する HNS の影響が大きい。
• オンラインの KuaiShou での A/B テストでは、シェア +1.95%、ユニークシェアラー +0.805%、シェアボタン CTR +1.12%、パネル CTR +1.14%、受信者返信率 +0.482% の増加を示す。

Figure 2. Overview of the UniShare Framework. UniShare jointly trains the video recommendation and receiver recommendation tasks, enhancing performance on both through underlying information sharing. Pre-computed GNN embeddings, multi-modal embeddings, and relationship alignment features are incorpo