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。