一、论文核心背景与问题提出

在视频推荐系统中，观看时长是衡量用户满意度和视频质量的关键指标，精准预测用户对视频的观看时长能够显著提升推荐效果与用户体验。然而，当前主流的观看时长预测模型普遍存在**时长偏差（Duration Bias）**问题：模型往往过度依赖视频本身的固有时长特征进行预测，而非基于用户对视频内容的真实兴趣。例如，长视频即便内容质量一般，模型也可能因时长特征预测出较长的观看时长；短视频即便内容极具吸引力，模型预测的观看时长也可能被低估。这种偏差会导致推荐系统陷入“长视频优先”的误区，既无法满足用户对优质短视频的需求，也不利于内容生态的多样性发展。

论文指出，时长偏差本质上是一种混淆偏差（Confounding Bias）：视频时长作为混淆变量，同时影响模型的特征输入与最终的观看时长预测结果。现有模型大多将视频时长作为普通特征纳入训练，未对其混淆作用进行有效处理，进而导致模型学习到的是时长与观看时长的虚假关联，而非用户兴趣与观看时长的真实因果关系。

二、核心方法与技术路径

为解决时长偏差问题，论文提出了一套基于因果推断的去偏差框架，核心思路是通过混淆变量干预与因果效应建模，剥离视频时长对预测结果的不当影响，让模型聚焦于用户兴趣与观看时长的因果关联。具体技术路径分为三步：

1. 混淆变量识别与因果图构建

论文首先构建了视频推荐场景下的因果图（Causal Graph），明确变量间的因果关系：用户特征（如历史观看记录、兴趣标签）和视频内容特征（如题材、画质）是“因”，直接影响用户的观看时长（“果”）；而视频时长是混淆变量，既与视频内容特征存在关联（如纪录片类视频通常时长较长），又会直接影响模型对观看时长的预测。通过因果图，清晰定位了时长偏差的产生路径——视频时长通过“后门路径”（视频时长→视频内容特征→观看时长）干扰模型的因果推断。

2. 基于倾向得分匹配的混淆变量干预

为阻断时长的后门路径，论文采用**倾向得分匹配（Propensity Score Matching, PSM）**方法对训练数据进行预处理。具体来说，先构建倾向得分模型，以视频时长为因变量，视频内容特征、用户特征为自变量，预测每个视频被分配到当前时长的概率；然后根据倾向得分，为每个长视频匹配具有相似内容特征和用户特征的短视频，形成“时长-内容-用户”三元组匹配数据集。通过这种方式，消除了时长与其他特征的相关性，使得在匹配数据集中，时长不再是混淆变量，模型能够更准确地学习用户兴趣与观看时长的真实关系。

3. 因果感知的观看时长预测模型

在预处理后的数据集基础上，论文提出了因果感知神经网络（Causal-Aware Neural Network, CANN）。该模型在传统推荐模型的基础上，引入了因果效应计算模块：一方面，模型通过用户特征与视频内容特征的交互，学习用户对视频的“兴趣潜在得分”；另一方面，通过匹配数据集中的时长差异，计算视频时长对观看时长的“直接因果效应”；最终将兴趣潜在得分与时长因果效应进行加权融合，得到去偏差后的观看时长预测结果。

三、实验验证与效果分析

论文在两个真实世界的视频推荐数据集（YouTube-8M和TikTok公开数据集）上进行了对比实验，将所提方法与传统的LR、GBDT以及深度学习模型（如Wide&Deep、DeepFM）进行对比，从预测精度、去偏差效果、推荐多样性三个维度进行评估：

1. 预测精度提升

实验结果显示，所提方法在MAE（平均绝对误差）和RMSE（均方根误差）指标上均显著优于基线模型，其中在YouTube-8M数据集上，MAE降低了12.3%，RMSE降低了10.7%。这表明去偏差处理后，模型能够更精准地预测用户的实际观看时长，减少了因时长偏差导致的预测误差。

2. 去偏差效果验证

论文通过“时长-预测时长”相关性分析验证去偏差效果：基线模型中，视频时长与预测时长的相关系数高达0.78，而所提方法将该系数降至0.21，说明模型对时长特征的依赖度显著降低，更多基于用户兴趣进行预测。此外，通过人工抽样评估发现，所提方法对优质短视频的观看时长预测准确率提升了35%，有效避免了“短视频低估”问题。

3. 推荐多样性优化

在推荐系统离线模拟实验中，所提方法推荐结果的内容多样性指标（如Gini系数、熵值）提升了22%，长视频与短视频的推荐占比从基线模型的7:3优化至5:5，既保证了用户对长视频的需求，也为优质短视频提供了更多曝光机会，促进了内容生态的均衡发展。

四、研究创新点与局限性

1. 创新点

• 视角创新：首次将时长偏差定义为混淆偏差，从因果推断视角系统分析了视频推荐中观看时长预测的偏差来源，为推荐系统去偏差研究提供了新的理论视角。

• 方法创新：提出了“预处理-建模”一体化的去偏差框架，将倾向得分匹配与因果感知神经网络相结合，既解决了数据层面的混淆问题，又实现了模型层面的因果效应建模。

• 应用价值：实验验证了方法在真实数据集上的有效性，能够直接落地到实际推荐系统中，提升推荐效果与用户体验。

2. 局限性

• 计算成本较高：倾向得分匹配需要对大规模数据集进行两两匹配，时间复杂度与空间复杂度较高，在实时推荐场景下的应用存在一定挑战。

• 特征假设较强：因果图的构建依赖于对变量间因果关系的先验假设，若实际场景中存在未被识别的混淆变量，模型的去偏差效果可能会受到影响。

五、研究启示与应用前景

该论文的研究成果为视频推荐系统的去偏差研究提供了重要参考，其核心启示在于：推荐系统模型不仅要学习数据中的统计关联，更要挖掘变量间的因果关系，才能避免因混淆变量导致的偏差问题。未来，该方法可从三个方向拓展应用：

1. 多混淆变量扩展：将研究思路从单一的时长偏差拓展到多混淆变量场景（如视频热度、作者粉丝量等），构建更全面的去偏差框架。

2. 实时推荐优化：针对倾向得分匹配的计算效率问题，研究基于在线学习的近似匹配方法，提升方法在实时推荐场景的适用性。

3. 跨领域迁移：将因果推断去偏差的思路迁移到其他推荐场景（如电商商品推荐、新闻资讯推荐），解决类似的混淆偏差问题。