AI Papers Daily

#position bias

4 篇

Unbiased Recommender Systems with Implicit Feedback

隐式反馈下的无偏推荐系统

🧭 无偏推荐 · 位置/流行度偏差

University of Illinois Chicago

系统研究推荐中位置偏差与流行度偏差的缓解方法，覆盖LTR、CF和GNN社交推荐

📌 工作参考价值（4 点）

• 位置偏差处理：在电商搜索/推荐排序中，可直接借鉴无偏LTR的思路，如使用逆倾向加权（IPW）或引入位置作为特征，在训练时对点击/成交等隐式反馈进行去偏，减少高排名项的虚假优势。
• 流行度偏差缓解：面对冷启动或长尾商品，可参考CF和GNN上的去偏方法，例如对热门物品进行负采样抑制、在损失函数中加入流行度正则项，或使用图结构上的邻居重加权，提升长尾物品曝光公平性。
• 社交推荐扩展：若业务中有社交关系或用户-用户图，可将该研究中的GNN去偏思路迁移至社交电商场景，例如在聚合邻居时考虑交互偏差，避免高流行度节点主导表示。
• 工程实现建议：部署时需监控线上指标与离线指标的一致性，位置偏差可能导致离线AUC虚高，建议在评估阶段也采用无偏指标或对曝光概率进行校正。

RecSys | 2026-08-17 | cs.IR | score 7/10

position biaspopularity biasunbiased learningcollaborative filteringgraph neural networkslearning to rank

Measuring Alignment With Reader Highlights Net of Position and Length

去除位置和长度影响的读者高亮对齐度量

🧭 LLM上下文压缩评估 · 读者高亮对齐

Glasp Inc.

提出剔除位置与长度偏差的评估框架，发现LLM重要性排序与读者高亮对齐接近人类个体水平

📌 工作参考价值（3 点）

• 评估文档摘要/压缩模型时，常规准确率受位置和长度偏差影响，可借鉴分层匹配与合成零分布校准，对商品描述、评论摘要等场景的压缩质量进行无偏评估。
• 语言模型重要性排序与读者高亮高度一致，可自动提取商品卖点或用户关注片段，量化模型与人类偏好对齐程度，提升内容生成效率。
• 该方法提供消除混杂因子的通用评估框架，可迁移至推荐系统中分析用户行为数据（如点击），控制位置暴露偏差，更准确衡量模型捕捉兴趣的能力。

Eval | 2026-07-30 | cs.IR | score 7/10

context compressionevaluationreader highlightsposition biaslength biaslanguage models

An Epistemic Position-Based Click Model: From Interactions to Epistemic Distributions of Relevance and Bias

认知位置点击模型：从交互到相关性与偏差的不确定性分布

🧭 点击模型的不确定性量化

University of Amsterdam · Radboud University Nijmegen

提出首个证据深度学习点击模型，输出相关性与位置偏差的 Beta 分布以量化认知不确定性

📌 工作参考价值（4 点）

• 在推荐/搜索系统的点击建模中引入认知不确定性，可获得预测置信度，用于在线决策的谨慎探索或保守策略，例如在新物品冷启动时避免过度依赖不可靠的预估。
• Beta 分布输出可直接用于后续的 bandit 或强化学习算法，天然适配 Thompson Sampling，提升探索效率。
• 位置偏差校正的不确定性估计可帮助离线评估更稳健，识别不可信的位置效应，避免错误归因。
• 方法采用证据深度学习，工程上只需在原有点击模型基础上增加输出层并改损失函数，额外计算成本低，易于部署到现有点击率预估模型。

RecSys | 2026-07-21 | cs.IR | score 7/10

click modelepistemic uncertaintyposition biasevidence deep learningbeta distribution

Position Bias Correction is Insufficient for One-Pass Attention Sorting

位置偏见修正不足以替代迭代注意力排序

🧭 RAG 上下文重排中的位置偏失去偏 ★ 深度解读

Analemma

去偏单次注意力排序在高偏置模型上可小幅提升，但仍远不及迭代排序，仅弥补 37% 的精度差距

📌 工作参考价值（4 点）

• 轻量级文档重排 trick：在长上下文 RAG（如多文档问答）中，仅用一次 decode 的注意力权重即可对文档排序，计算代价极小，可作为生成前的轻量重排模块，且效果接近单次注意力排序基线。
• 提示级位置偏曲线估计：利用同一 prompt 中低注意力文档（剔除 top-α）分箱聚合（中位数或均值）来估计位置偏置曲线，再用减法或除法校正原始注意力分数。这一思路可直接迁移到需要对抗位置偏见的生成式推荐或搜索摘要场景，无需额外训练或外部数据。
• 迭代 vs 单次的取舍：结果表明，对于位置偏置不严重的模型（如 LLaMA‑2‑32K‑Instruct），单次注意力排序已足够，迭代排序带来的增益极小（0.6pp 以内），可节省多轮生成的计算开销；对偏置严重的模型（如 YaRN），仍需要迭代排序才能获得较大收益，但可先尝试去偏一次排序，若效果不足再增加迭代。
• 注意力排序的部署成本控制：若业务对延迟敏感（如实时推荐搜索）且使用偏置较弱的模型，可直接用单次排序（1 sort+1 gen），仅需一次前向和一次生成，大幅降低延迟，避免 5 次 sort‑and‑generate 的代价。

RAG | 2026-06-26 | cs.CL | score 8/10

position biasattention sortingdebiasinglong-context LLMRAGlost-in-the-middle