并非所有视频都会过时：通过学习解耦发布间隔偏差的短视频推荐
信息检索
2024-09-02 v1
摘要
短视频推荐系统通常对近期发布的视频表现出偏好。然而，并非所有视频都会过时；某些经典视频仍能吸引用户的注意力。由于匹配模型是从已有的交互中学习的，用户与视频之间的匹配模型会进一步加剧这种时间维度上的偏差。从真实数据中，我们观察到不同视频在吸引用户注意力时对时效性的敏感度不同。我们基于建模短视频推荐的因果图分析表明，发布间隔充当了混淆因子，在用户与视频之间建立了一条后门路径。为解决这一混淆效应，我们提出了一种与模型无关的因果架构，称为学习解耦发布间隔偏差（LDRI）。LDRI 能够联合学习匹配模型与视频时效性敏感度感知器。在推理阶段，我们应用后门调整，通过对每个视频进行干预有效阻断后门路径。在两个基准数据集上的大量实验表明，LDRI 始终优于骨干模型，并表现出优于 SOTA 模型的性能。额外的综合分析证实了 LDRI 的解耦能力。
引用
@article{arxiv.2408.17332,
title = {Not All Videos Become Outdated: Short-Video Recommendation by Learning to Deconfound Release Interval Bias},
author = {Lulu Dong and Guoxiu He and Aixin Sun},
journal= {arXiv preprint arXiv:2408.17332},
year = {2024}
}