DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems
观看时长预测的分布感知去偏框架DADF
🧭 观看时长预测 · 分布感知去偏 ★ 深度解读
Kuaishou Technology · Unaffiliated
通过动态分布变换、时长分组专家和多任务辅助信号，在不动第一阶模型的情况下对观看时长做第二阶乘性校正
📌 工作参考价值（4 点）
- 轻量即插即用的第二阶校正：不替换已部署的主模型，只在推理阶段增加一个乘性校正因子（bias factor）的轻量子网络。电商中的连续目标（如GMV、支付金额、转化深度）预测如果存在局部高估/低估，可借鉴该范式快速上线。
- 分组自适应变换处理长尾：利用Box–Cox变换将长尾的乘性校正因子映射到类高斯空间，且按视频时长（或类目、客单价）分组学习专用变换参数，缓解长尾回归的不稳定。可迁移到其他长尾连续值预测。
- 已知分组特征的专家网络：用视频时长作为debias factor划分组，每组用独立专家预测校正值，显著降低组间方差。电商中可用价格带、品类等已知特征构建组路由，提升校准的细粒度。
- 多任务辅助信号增强校正：从已存在的多任务头（如完播、有效观看、负反馈等）提取logits和tower表示，拼接后作为校正网络的输入，几乎无额外成本。已有MMoE/PLE等多任务结构的推荐系统可直接利用。