#今日论文推荐# KDD 2022 | 快手提出基于因果消偏的观看时长预估模型D2Q，解决短视频推荐视频时长bias难题

#今日论文推荐# KDD 2022 | 快手提出基于因果消偏的观看时长预估模型D2Q，解决短视频推荐视频时长bias难题

短视频（比如快手、抖音和视频号等）日益成为人们日常生活中最重要娱乐方式。短视频推荐需要解决的一个基础问题是，如何准确地预估用户对某个视频的观看时长。观看时长建模的精准度一定程度反映了推荐的质量，对提升用户粘性意义重大。
业界普遍使用的方法是由 YouTube 在 RecSys 于 2016 年提出来的方法或其变种 [1]，然而该方法最开始的提出是基于「点击 - 观看」的长视频场景，在目前无显式点击 Label 的沉浸式浏览模式下并不适用， 同时短视频场景视频本身长度跨度很大，给模型预估带来了极大的挑战。
用户对一个视频的观看时长受到两方面影响，一是用户对视频内容的满意程度，二是视频本身的长度（duration）。现有建模方案，不管是直接回归时长，还是 YouTube 的方法，均有训练不稳定，误差大等缺陷。
快手首次指出了时长预估中的 duration bias 问题，基于此提出了基于因果推断的时长预估模型，有效地消除了 duration 混淆变量的影响，和 YouTube 方法相比，预估精度和稳定性得到了极大的提升。
该 paper 被 SIGKDD 2022 Applied Data Science Track 接收，同时被邀请做口头报告。该论文的模型 D2Q 经过改进之后在快手全量上线，成为短视频领域继 YouTube DNN 之后最好用的时长预估模型。

快手采用的沉浸式浏览模式（如下图一），推荐系统通过建模用户兴趣为用户推荐可能喜欢的视频，优化视频观看时长、浏览深度、互动 (点赞、关注、转发)、多样性等多个维度的指标，以此营造良好的社区氛围，提升用户粘性。在上述众多目标中，视频观看时长作为最稠密的指标，也作为用户最稀缺的资源，客观有效的反映用户对视频的喜好程度，是短视频场景下推荐系统优化的重要指标。

论文题目：Deconfounding Duration Bias in Watch-time Prediction for Video Recommendation
详细解读：https://www.aminer.cn/research_report/62e89d147cb68b460ff9ad1ahttps://www.aminer.cn/research_report/62e89d147cb68b460ff9ad1a
AMiner链接：https://www.aminer.cn/?f=cs