通过反事实观看时长反驳视频推荐中的时长偏差

在视频推荐系统中，正在通过利用用户记录的观看时长来满足用户的个性化信息需求。然而，观看时长预测受到时长偏差的影响，阻碍了其准确反映用户兴趣的能力。现有的标签纠正方法尝试通过按视频时长分组并归一化观察到的观看时长来揭示用户兴趣。虽然这些方法在某种程度上有效，但我们发现，这些方法将完全播放的记录（即用户完整观看视频）视为 equally high interest，这与我们在真实数据集中观察到的现象相矛盾：用户在完全播放视频时表现出不同的显式反馈比例。在本文中，我们引入了反事实观看时长（CWT），即用户在视频时长足够长的情况下会花费的潜在观看时长。分析表明，时长偏差是由于 CWT 因视频时长限制而受到截断所致，这通常发生在完全播放记录上。此外，提出了反事实观看模型（CWM），揭示 CWT 等于用户从视频推荐系统中获得最大收益的时间。此外，定义了基于成本的转换函数，将 CWT 转换为用户兴趣的估计值，并通过定义在观察到的用户观看时长上的反事实似然函数来优化该模型。大量实验在三个真实视频推荐数据集和在线 A/B 测试中表明，CWM 在有效提升视频推荐准确性方面具有作用，并且成功反驳了时长偏差。