AlignPxtr：对齐预测行为分布以实现无偏视频推荐
信息检索
2025-03-12 v2
摘要
在视频推荐系统中，观看时长、点赞和关注等用户行为通常被用于推断用户兴趣。然而，这些行为受到各种偏差的影响，包括时长偏差、人口统计学偏差和内容类别偏差，这些偏差掩盖了真实的用户偏好。在本文中，我们假设偏差与用户兴趣彼此独立。基于这一假设，我们提出了一种新方法，利用分位数映射在不同偏差条件下对齐预测行为分布，从理论上保证了偏差变量与真实用户兴趣之间的互信息为零。通过显式建模不同偏差下用户行为的条件分布，并将这些行为映射到分位数，我们有效地将用户兴趣与各种偏差的混淆效应解耦。我们的方法独特地处理了连续信号（如观看时长）和离散信号（如点赞、评论），同时处理多个偏差维度。此外，我们引入了一种计算高效的均值对齐替代技术，用于大规模系统中的实际实时推理。我们通过在两大视频平台：快手极速版和快手上进行在线 A/B 测试验证了我们的方法。结果表明，用户参与度和留存率有显著提升，活跃天数累计提升 0.267% 和 0.115%，平均 App 使用时长分别提升 1.102% 和 0.131%。结果表明，我们的方法在不同平台上始终如一地在长期用户留存方面取得显著改善，并在平均 App 使用时长方面获得可观收益。我们的核心代码将发布于 https://github.com/justopit/CQE。
引用
@article{arxiv.2503.06920,
title = {AlignPxtr: Aligning Predicted Behavior Distributions for Bias-Free Video Recommendations},
author = {Chengzhi Lin and Chuyuan Wang and Annan Xie and Wuhong Wang and Ziye Zhang and Canguang Ruan and Yuancai Huang and Yongqi Liu},
journal= {arXiv preprint arXiv:2503.06920},
year = {2025}
}
备注
video recommendation. 7 page, 1 figure