这篇文档属于类型a，是一篇关于短视频推荐系统中观看时长预测的原创性研究论文。以下是针对该研究的学术报告：
作者及发表信息
该研究由Xiao Lin、Xiaokai Chen、Linfeng Song、Jingwei Liu、Biao Li和Peng Jiang（†通讯作者）共同完成，作者均来自快手科技（Kuaishou Technology）。论文标题为《Tree Based Progressive Regression Model for Watch-Time Prediction in Short-Video Recommendation》，发表于ACM SIGKDD 2023会议（KDD ‘23，2023年8月）。
学术背景
研究领域：该研究属于推荐系统与机器学习交叉领域，聚焦于短视频平台的用户观看时长预测问题。
研究动机：在短视频推荐中，观看时长是衡量用户参与度的核心指标，但现有方法存在四大局限：
1. 序数关系忽略：观看时长是连续但有序的变量，传统回归方法无法捕捉其序数特性；
2. 条件依赖性缺失：用户观看行为（如“看完一半视频”与“看完整个视频”）存在逻辑依赖，但现有模型未建模此类关系；
3. 预测不确定性：点估计方法无法量化模型预测的置信度，可能导致推荐结果不可靠；
4. 偏差放大问题：实际系统存在时长偏差（duration bias）等混淆因素，导致推荐结果偏离真实用户偏好。
研究目标：提出一种同时解决上述问题的框架——TPM（Tree-based Progressive Regression Model），通过树结构分解回归任务为条件依赖的分类问题，并引入不确定性建模与反事实调整（backdoor adjustment）。
研究流程与方法
1. 问题分解与树结构设计
- 标签空间划分：将观看时长量化为有序区间（ordinal ranks），构建完全二叉树（如图1所示），每个非叶节点对应一个二元分类器，判断时长属于左子树或右子树区间。
- 条件依赖性建模：父节点的输出作为子节点的条件输入，显式编码行为依赖（如“观看后半段”需以“观看前半段”为前提）。
- 树构造方法：基于分位数划分区间，确保每个分类器的标签分布平衡。
2. 不确定性建模
- 多变量分布：TPM将预测结果视为从多项式分布中采样的随机变量，通过计算方差（公式4）量化不确定性。
- 损失函数设计：联合优化分类似然、回归误差（MAE）和标准差（公式5），权重参数（α₁, α₂, α₃）通过实验调整。
3. 反事实调整（Backdoor Adjustment）
- 因果图分析：识别混淆因子（如视频时长𝐷），通过阻断𝐷→𝑋的路径消除偏差（公式8）。
- 树结构适配：按𝐷分组构建子树（图5），每组独立训练分类器，最终预测为各组期望的加权和（公式12）。
4. 模型架构
- 共享参数设计：所有分类器共享多层感知机（MLP）的隐藏层，输出层任务专用（图6），以降低参数量。
- 训练算法：如算法1所示，逐样本分配至路径节点，反向传播更新分类器参数。
主要结果
1. 离线实验（表3）
- 数据集：Kuaishou（1200万样本）和CIKM16（31万会话）。
- 性能对比：TPM在MAE和XAUC（衡量序数一致性）上均优于基线（WLR、D2Q、OR）。例如，在Kuaishou上，TPM的MAE（4.741）比D2Q（5.426）降低12.6%。
- 消融实验（表4）：移除方差损失（w.t.o. var）导致MAE上升2.8%，验证不确定性建模的必要性；移除反事实调整（w.t.o. deconfounding）使XAUC下降3.8%，证实偏差缓解的有效性。
2. 在线A/B测试（表5）
- 指标提升：在快手APP（3亿DAU）部署TPM后，观看时长提升0.23%，短播放率（short view）下降0.2%，且正向互动（如转发）无显著波动。
- 业务价值：TPM的高置信度预测减少了“不良案例”（bad cases），提升用户体验。
结论与价值
科学价值：
1. 方法论创新：首次将序数回归、条件依赖和不确定性建模统一于树结构框架；
2. 理论贡献：证明反事实调整可通过树分解自然实现，扩展了因果推理在推荐系统的应用。
应用价值：
- TPM已部署于快手生产环境，支持日均3亿用户的高效推荐；
- 开源代码（GitHub）为业界提供可复现的解决方案。
研究亮点
- 多问题协同解决：TPM是首个同时处理序数性、依赖性、不确定性和偏差的观看时长预测模型；
- 树结构灵活性：支持任意分解模式（如线性搜索或二分搜索），适配不同数据分布；
- 轻量级部署：参数共享设计使TPM在工业级场景中计算高效。
其他价值
论文提供了详细的因果图分析（图4）和树构造示例（图2），为后续研究提供可扩展的理论框架。此外，实验部分对比了不同树深度（图8）和方差权重（图9）的影响，为超参数调优提供实证依据。