推荐系统中基于停留时间对点击进行重加权

点击行为是推荐中最广泛使用的用户正反馈。然而，在训练中简单地将每次点击同等对待可能会受到标题党和标题-内容不匹配的影响，从而无法精确捕捉用户对项目的真实满意度。停留时间可视为用户对每次点击偏好的高质量量化指标，而现有推荐模型并未充分探索停留时间的建模。在本工作中，我们聚焦于推荐中利用停留时间对点击进行重加权。具体而言，我们首先定义了一种称为有效阅读的新行为，其借助停留时间为不同用户和项目筛选高质量点击样本。接下来，我们提出一种归一化停留时间函数，以在推荐训练中对点击信号进行重加权。该点击重加权模型在真实系统的离线与在线评估中均取得了显著提升。