Uncertainty-Calibrated Recommendations for Low-Active Users
跨用户生命周期的不确定性感知自适应推荐
🧭 不确定性感知推荐 · 用户分群差异化策略 ★ 深度解读
Stanford University · TikTok Inc.
用辅助 Critic 网络预测预期预测误差 + 贝叶斯先验方差，实现低活用户去偏与高活用户 UCB 探索的统一框架
📌 工作参考价值（4 点）
- 轻量级不确定度量：训练一个辅助 Critic 网络，输入原始特征+推荐器嵌入+输出分数，直接预测实例级 EPE，在线仅增加一次前传，适合低延迟工业系统，避免 MC Dropout 的多次采样开销。
- 分群差异化策略：按活跃天数将用户分组，假设组内噪声方差相近，对低活用户高不确定项加惩罚权重（deboosting）防流失，对高活用户高不确定项加 UCB 探索奖励促多样性，可在不牺牲核心指标下同时优化留存和兴趣覆盖。
- 训练数据构造技巧：使用前一日模型检查点对次日样本计算误差，作为 EPE 的蒙特卡洛样本，既反映模型未见过数据下的泛化误差，又无需额外标注，且能利用每日生产重训流水线。
- 校准阈值与在线调参：在留出集上按分位数确定“高风险”阈值，再通过 A/B 测试调整去偏惩罚和探索权重，避免复杂曲率标定，工程实现简洁有效。