스트리밍 단편 영상 플랫폼에서 사용자 참여도를 향상시키기 위해서는 정확한 시청 시간 예측이 매우 중요하다. 그러나 이는 다중 군집 수준에서 복잡한 분포 특성으로 인해 도전 과제가 된다. 실제 산업 데이터를 체계적으로 분석한 결과, 분포 측면에서 시청 시간 예측에 있어 두 가지 핵심 과제를 발견하였다: (1) 급속한 스킵(quick-skips)의 집중으로 인한 거시적 편향(macro-level skewness), (2) 다양한 사용자-영상 상호작용 패턴에 기인한 미시적 다양성(micro-level diversity). 이를 바탕으로 시청 시간은 지수-정규 혼합(Exponential-Gaussian Mixture, EGM) 분포를 따른다고 가정하며, 이때 지수 분포는 편향을, 정규 분포는 다양성을 각각 특징짓는다. 이를 바탕으로 EGM 분포의 파라미터화를 위한 지수-정규 혼합 네트워크(Exponential-Gaussian Mixture Network, EGMN)를 제안한다. EGMN은 숨겨진 표현 인코더(hidden representation encoder)와 혼합 파라미터 생성기(mixture parameter generator)라는 두 가지 핵심 모듈로 구성된다. 공개 데이터셋을 활용한 광범위한 오프라인 실험과 소홍서(Siaohongshu) 앱의 산업적 단편 영상 피드 시나리오에서의 온라인 A/B 테스트를 통해, 기존 최첨단 방법들과 비교하여 EGMN의 우수성을 검증하였다. 특히, 종합적인 실험 결과는 EGMN이 거시적에서 미시적 수준에 이르기까지 뛰어난 분포 적합 능력을 보여줌으로써 그 성능을 입증하였다.