1. 消除推薦系統中的位置偏置，一種常見的做法是在訓練階段將位置作爲一個特徵加入到模型中，而在預測階段置爲0或者一個統一的常數，如下圖所示：
2。 還有一種做法是在訓練階段將點擊率拆解爲兩個部分，即用戶看到物品的概率 * 用戶看到物品後點擊的概率，而在測試階段只預估用戶看到物品後點擊的概率，示意圖如下：
3.
通過一個shallow tower（可理解爲比較輕量的模型）來預測位置偏置信息，輸入的特徵主要是一些和位置偏置相關的特徵。在多任務模型的子任務最後的sigmoid前，將shallow tower的輸出結果加入進去。而在預測階段，則不考慮shallow tower的結果。
值得注意的是，位置偏置信息主要體現在CTR預估中，而用戶觀看視頻是否會點擊喜歡或者用戶對視頻的評分，這些是不需要加入位置偏置信息的。
