探索位置：基于到达率和成本的推荐系统无偏数据收集方法
信息检索
2025-12-18 v1 机器学习
摘要
探索对于提高长期推荐质量至关重要，但在远程优先电视环境中往往会损害短期业务绩效——此时用户参与度为被动式，期望即时相关性，且纠正机会有限。本文提出一种方法，通过优化其放置位置来安全且高效地提供内容层级的探索。在拥有超过 1 亿月活用户的大型流媒体平台上部署本方法，我们识别出具有较低参与度的滚动深度区域，并策略性地引入名为“Something Completely Different” 行的专用容器，包含随机化内容。我们基于 empirically 低成本、高覆盖率的位置来条件化其出现，以确保对平台层面观看时长目标的最小权衡。广泛的 A/B 测试表明，该策略在保持业务指标的同时收集了无偏的交互数据。该方法补充了现有的行内多样化和基于臂带法的探索技术，通过引入一种可部署且基于行为的机制，在大规模环境下呈现探索性内容。此外，我们证明收集的无偏数据整合到下游候选生成中，可显著提升用户参与度，验证了其在推荐系统中的价值。
引用
@article{arxiv.2512.14733,
title = {Where to Explore: A Reach and Cost-Aware Approach for Unbiased Data Collection in Recommender Systems},
author = {Qiang Chen and Venkatesh Ganapati Hegde},
journal= {arXiv preprint arXiv:2512.14733},
year = {2025}
}
备注
IEEE Conference on Cognitive Machine Intelligence Nov. 11-14, 2025, Pittsburgh, PA, USA