推荐系统遇上深度学习(一一四)-[美团]深度位置交互网络

今天介绍一篇美团在SIGIR 2021中稿的一篇short paper，主要介绍在解决点击率预估中位置偏置（position-bias）方面的一些工作，一起来看一下。

1、背景

在点击率预估问题中，位置偏置是一类比较常见的问题，展现位置更靠前的广告无论是否真正符合用户的兴趣，都有更高的概率被点击。

过往也有一些工作来解决位置偏置的问题。最常见的做法是将位置特征作为一个模型训练的一个特征，而在线上预测时，所有候选广告使用相同的位置特征输入。这种方案实现较为简单，但是线上预测时，选择不同的位置，得到的推荐结果会存在差异，结果往往是次优的。

华为提出的PAL框架将广告被点击的概率分为两个因素：广告被用户看到的概率和用户看到广告后点击的概率。论文做了进一步的假设：用户是否看到广告只跟广告的位置有关系；同时，用户看到广告后，是否点击广告与位置无关。因此整个框架也是包含两个部分，如下图所示。在线上预测时，只需要部署右边的网络，所得到的点击率就是消除了位置偏置后的点击率。这种方案的缺点是假设太强，将问题过于简化了，没有充分考虑位置偏置与用户特征、上下文特征以及候选item之间的关系。

本文要介绍的文章提出了深度位置交互网络（Deep Position-wise Interaction Network，后文简称DPIN）来有效的建模候选广告在每个位置的点击率，同时使用贪婪的策略对候选广告进行排序，一起来看一下DPIN的结构。

2、DPIN介绍

假设有J个候选广告、K个位置，每次计算的耗时为C，那么预测J个广告在K个位置的整体时间复杂度为O(JKC)，这显然是线上扛不住的。因此论文将整个DPIN拆解为了三个模块，分别是base module、de