用户注意力有限,排在前面的物品天然获得更多点击,这种位置带来的点击差异称为位置偏差。若不加处理,模型会把位置优势误判为物品质量。
位置偏差会污染训练数据,使模型过度依赖位置特征,而不是内容相关性。长期来看,头部位置被低质但高曝光物品占据,损害用户体验。
常用处理方法是在训练时引入位置作为特征,预测时置为统一值,从而剥离位置影响。也可用逆倾向加权对样本重新加权,还原无偏分布。
评估阶段要特别关注去偏后的指标,否则离线提升可能只是模型学会了利用位置,而非真正提升了相关性。
用户注意力有限,排在前面的物品天然获得更多点击,这种位置带来的点击差异称为位置偏差。若不加处理,模型会把位置优势误判为物品质量。
位置偏差会污染训练数据,使模型过度依赖位置特征,而不是内容相关性。长期来看,头部位置被低质但高曝光物品占据,损害用户体验。
常用处理方法是在训练时引入位置作为特征,预测时置为统一值,从而剥离位置影响。也可用逆倾向加权对样本重新加权,还原无偏分布。
评估阶段要特别关注去偏后的指标,否则离线提升可能只是模型学会了利用位置,而非真正提升了相关性。