Genauere Vorhersage der Betrachtungsdauer ist entscheidend für die Steigerung der Benutzerengagement in Streaming-Plattformen für Kurzvideos, wird jedoch durch komplexe Verteilungseigenschaften auf mehreren Granularitätsebenen herausgefordert. Durch eine systematische Analyse realweltlicher industrieller Daten identifizieren wir zwei zentrale Herausforderungen bei der Vorhersage der Betrachtungsdauer aus Sicht der Verteilung: (1) grobgranuläre Schiefe, hervorgerufen durch eine starke Konzentration von schnellen Überspringungen (quick-skips), und (2) feingranuläre Vielfalt, resultierend aus unterschiedlichen Interaktionsmustern zwischen Nutzern und Videos. Daraus leiten wir die Annahme ab, dass die Betrachtungsdauer der Exponential-Gauß-Mischverteilung (Exponential-Gaussian Mixture, EGM) folgt, wobei die exponentielle und die Gaußsche Komponente jeweils die Schiefe und die Vielfalt charakterisieren. Dementsprechend wird ein Exponential-Gauß-Mischungsnetzwerk (Exponential-Gaussian Mixture Network, EGMN) vorgeschlagen, um die Parameter der EGM-Verteilung zu modellieren. Das EGMN besteht aus zwei zentralen Modulen: einem versteckten Repräsentations-Encoder und einem Mischparameter-Generator. Um die Überlegenheit des EGMN gegenüber bestehenden state-of-the-art-Methoden zu validieren, führten wir umfangreiche Offline-Experimente auf öffentlichen Datensätzen sowie Online-A/B-Tests im industriellen Kurzvideo-Feed-Szenario der Xiaohongshu-App durch. Erstaunlicherweise belegen die umfassenden experimentellen Ergebnisse, dass EGMN eine hervorragende Anpassungsfähigkeit an Verteilungen auf allen Granularitätsebenen – von grob bis fein – aufweist.