跳到正文
arXiv cs.AI· Blake Gella, Wei Wu, Yuhao Yin, Zexi Huang, Zikai Wang, Emily Liu, Junlin Zhang, Wentao Guo, Qinglei Wang·· 4 小时前AI 评分24

PEARL:用对比学习实现无偏百分位估计,提升工业级直播推荐

PEARL: Unbiased Percentile Estimation via Contrastive Learning for Industrial-Scale Livestream Recommendation

AI 导读

PEARL 是一个非参数对比百分位近似框架,通过建模相对偏好信号而非绝对互动量,解决推荐系统中用户行为强度不平衡带来的偏差问题。该框架利用真实对比交互样本直接近似百分位关系,无需辅助分布估计模型,并引入基于预测的 bootstrapping 机制处理稀疏离散反馈。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:基于用户交互数据训练的推荐系统容易受到行为强度失衡的影响——这是一种由用户之间异质参与模式引起的系统性失真。这种失衡会扭曲反馈信号,使得观察到的交互不再忠实反映真实偏好,导致模型不成比例地放大高活跃用户的信号,而低估其他用户,最终在大规模场景下降低推荐质量和鲁棒性。为解决这一问题,我们提出了一个非参数对比百分位近似框架 PEARL,它对相对偏好信号而非绝对参与幅度进行建模。在相对优势去偏的基础上,PEARL 利用真实的对比交互样本直接近似百分位关系,而不依赖辅助分布估计模型。我们提供了理论论证,证明这种成对比较能够产生基于百分位的偏好信号的无偏估计。为提升更广泛的适用性,我们引入了一种基于预测的自举机制用于百分位平滑,以处理稀疏和离散反馈,同时提出了一种广义值加权公式和一种协同训练策略,以增强建模灵活性和表示学习。大量离线实验表明,PEARL 有效缓解了行为偏差,并在多个排序目标上持续提升推荐性能。该系统已部署在一个合计用户基数达数十亿的直播平台,在线 A/B 测试证实了显著的实际收益:观看时长 +2.10%、消费金额 +0.80%、互动率 +1.49%、举报率 -6.91%。
评论: 被 KDD 2027 ADS Track 接收
主题: 机器学习(cs.LG);人工智能(cs.AI)
引用为: arXiv:2605.21752 [cs.LG]
  (或 arXiv:2605.21752v2 [cs.LG] 用于此版本)
  https://doi.org/10.48550/arXiv.2605.21752

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Blake Gella [查看电子邮件]
[v1] 2026年5月20日星期三 21:25:41 UTC(132 KB)
[v2] 2026年11月17日星期二 03:24:35 UTC(132 KB)

来源:arXiv cs.AI · arxiv.org