KDD 22（快手）｜ 去除视频推荐的观看时间预测中的时间偏差

简介：观看时间的预测仍然是通过视频推荐加强用户参与的一个关键因素。然而，观看时间的预测不仅取决于用户和视频之间的匹配，而且经常被视频本身的持续时间所误导。为了提高观看时间，推荐总是偏向于长时长的视频。在这种不平衡的数据上训练出来的模型面临着偏差放大的风险，它误导平台过度推荐长时长的视频，却忽略了用户的潜在兴趣。我们采用了一个因果图，说明持续时间是一个混杂因素，它同时影响着视频曝光和观看时间预测-对视频的第一个影响导致了偏见问题，应该被消除，而对观看时间的第二个影响则源于视频的内在特性，应该被保留。为了消除不希望出现的偏差，同时利用自然效应，我们提出了一个基于Duration-Deconfounded Quantile（D2Q）的观看时间预测框架，该框架允许在工业生产系统中进行扩展。通过广泛的离线评估和现场实验，我们展示了这一duration-deconfounding框架的有效性，其表现明显优于最先进的基线。我们已经在快手App上全面启动了我们的方法，由于更准确的观看时间预测，实时视频消费得到了大幅改善。

论文地址：https://arxiv.org/pdf/2206.06003.pdf