Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
不确定性缓解多目标排序中的满意度标签偏差
🧭 不确定性感知多目标排序框架 ★ 深度解读
Kuaishou Technology
用高斯分布建模预测，以方差捕获多目标冲突不确定性，设计不确定性感知的自适应加权，缓解短视频排序中行为信号带来的满意度标签偏差
📌 工作参考价值（4 点）
- 多目标冲突即不确定性：在电商/广告排序中，多个业务目标（点击、转化、时长）常有冲突，可借鉴文中用预测方差表征冲突的思路，无需人工定义冲突强度，自动识别高冲突样本并加权，让模型聚焦于更影响最终满意度排序的物品对。
- 线上零额外成本部署：框架输出均值 μ（排序分）和方差 σ²（不确定性），线上推理时仅使用 μ 生成排序，方差仅训练时使用，不增加线上延迟。适合追求低延迟的工业系统直接替换现有排序网络。
- 概率化 Pairwise 损失：将传统确定性 pairwise loss 改为基于高斯 CDF 的概率形，可联合优化均值和方差，并配合不确定性正则避免方差无限增大。此类损失可平滑处理冲突标签的梯度矛盾，提升收敛稳定性。
- 辅助监督让不确定性更可靠：文中引入了基于物品在多目标下排序位置标准差的辅助损失，强制方差与真实冲突水平对齐。实际业务中，可基于多目标分数方差构造类似信号，提升方差的可解释性和鲁棒性。