USM：用于限制推荐系统中负面用户体验的无偏调查建模

减少负面用户体验对推荐平台的成功至关重要。将用户暴露于不当内容不仅可能对用户的心理健康产生不利影响，还可能驱使他们离开平台，破坏平台的长期成功。然而，推荐算法倾向于更重视正面反馈信号，因为负面反馈较为稀缺，这可能导致有价值的负面用户反馈被忽视。在本文中，我们提出了一种旨在限制负面用户体验的方法。我们的方法主要依赖于向用户分发信息流内调查，对从调查中收集到的用户反馈进行建模，并将模型预测集成到推荐系统中。我们进一步通过集成学习隐藏单元贡献模块和压缩激励模块来增强基线调查模型。此外，我们通过应用调查提交模型来努力解决响应偏差问题。A/B 测试结果表明，调查性比率和调查不当比率的降幅在 -1.44% 到 -3.9% 之间。此外，我们将我们的方法与未纳入我们方法的在线基线进行了对比。结果表明，与基线相比，我们的方法显著将举报率和点踩率降低了 1% 到 2.27%，证实了我们方法在提升用户体验方面的有效性。在我们的平台上基于该方法部署调查模型后，模型在举报、不喜欢和调查不当比率方面分别带来了 1.75%、2.57% 和 2.06% 的降幅。