学习缓解视频推荐中的熟悉度偏差

现代视频推荐系统旨在优化用户参与度和平台目标，但常常面临由行为偏差引起的结构性曝光不平衡。在这项工作中，我们聚焦于后排序阶段，并提出了LAFB（学习缓解熟悉度偏差），一个轻量级且模型无关的框架，旨在缓解推荐输出中的熟悉度偏差。LAFB使用离散和连续的交互特征对用户-内容熟悉度进行建模，并估计个性化的去偏因子以调整用户评分预测分数，从而减少熟悉内容在最终排序中的主导地位。我们在一个真实世界的推荐系统中，在统一的部署服务栈下进行了大规模离线评估和在线A/B测试，该服务栈还将LAFB与可部署的流行度导向的补救措施进行了比较。结果表明，LAFB增加了新颖内容的观看时长份额，改善了新兴创作者和整体内容多样性的曝光，同时保持了稳定的总观看时长和短期满意度。LAFB已在YouTube推荐系统的后排序阶段上线，证明了其在真实世界应用中的有效性。