MBD：基于模型的跨用户、内容与模型维度去偏框架
数值分析
2026-03-17 v1 数值分析
摘要
现代推荐系统通过聚合多种行为信号来构建价值模型进行排序，但许多常用信号本质上受到异构偏好的影响。例如，观看时长自然偏好长内容，循环率偏好短内容，评论概率偏好视频而非图片。这两种偏好导致两个关键问题：(1) 价值模型得分可能系统性地偏离用户的相对偏好——例如，看似低的 like 概率可能对很少参与的用户而言代表强烈兴趣；(2) 价值建模规则的变更可能引发突发且不可取的生态系统变动。本文提出一个通用的、基于模型的去偏（MBD）框架，以解决上述挑战，通过分布式建模实现。我们通过在灵活的子特征子集上进行条件建模，显式估计任意人群（如特定视频时长或用户地区）的参与分布的 contextual mean 和 variance，直接与主预测集成。这一集成允许该框架将偏好的原始信号转化为无偏表示，进而构建适用于价值模型的高级、已校准信号（如百分位或 z-score）。重要的是，无偏性定义是灵活可控的，使系统能够适应不同的 personalization 目标和建模偏好。关键的是，这作为一个轻量级、内置于现有 MTML 排序模型的分支实现，不需要额外的 serving 基础设施。
引用
@article{arxiv.2603.14421,
title = {High-precision quadrature via local Fourier extension: analytic integration, uniform sampling, and correction for piecewise smooth integrands},
author = {Xinran Liu and Zhenyu Zhao and Benxue Gong},
journal= {arXiv preprint arXiv:2603.14421},
year = {2026}
}