Counteracting Duration Bias in Video Recommendation via Counterfactual Watch Time

在视频推荐中，一个持续的努力是通过利用用户的观看时间来满足他们个性化的信息需求。然而，观看时间预测受到持续时间偏差的影响，阻碍了它准确反映用户兴趣的能力。现有的标签校正方法试图通过根据视频持续时间对观察到的观看时间进行分组和归一化来揭示用户的兴趣。虽然在某种程度上是有效的，但我们发现这些方法将完全播放记录（即用户观看整个视频）视为同样高的兴趣，这与我们在真实数据集上观察到的不符：用户在完全播放视频时的明确反馈比例各不相同。在本文中，我们引入了反事实观看时间（CWT），即如果视频持续时间足够长，用户将花费的潜在观看时间。分析表明，持续时间偏差是由于CWT被截断而导致的，这通常发生在那些完全播放的记录上。此外，我们提出了一个反事实观看模型（CWM），揭示了CWT等于用户从视频推荐系统中获得最大利益的时间。此外，定义了一种基于成本的转换函数，将CWT转换为用户兴趣的估计，并且可以通过优化定义在观察到的用户观看时间上的反事实似然函数来学习模型。在三个真实视频推荐数据集和在线A/B测试上进行的广泛实验表明，CWM有效地提高了视频推荐的准确性，并抵消了持续时间偏差。

解决视频推荐中的观看时长偏差问题，提高个性化推荐准确性。

提出反事实观看时间（CWT）的概念，通过将CWT转化为用户兴趣的估计值来解决观看时长偏差问题。

论文提出了Counterfactual Watch Model (CWM)模型，并在三个真实视频推荐数据集上进行了实验和在线A/B测试，证明了CWM有效地提高了视频推荐准确性，并纠正了观看时长偏差。

相关研究包括利用观看时长进行个性化推荐的方法，以及基于用户兴趣和行为的推荐方法。