Example Age

概述

推荐系统中解决新鲜度偏差的特征工程技术：将训练样本的"年龄"作为显式输入，推理时设为零以偏好新鲜内容。

关键内容

1. 问题背景：机器学习模型天然偏向"过去"。训练数据反映历史用户行为分布，老视频出现频率远高于新视频，导致模型倾向于推荐老视频。但用户实际上往往偏好新鲜内容——这种矛盾称为新鲜度偏差（Freshness Bias）。

2. 核心设计：将训练样本的"年龄"（即训练样本的时间戳距离训练时刻的时间差）作为一个显式的输入特征传入模型。这样模型在训练过程中可以学到"样本年龄"与用户观看概率之间的关系——即用户确实偏好新鲜内容。

3. 训练-服务不对称：在线上服务（推理）时，Example Age 特征被设为零或略微为负。这等价于告诉模型："现在是训练窗口的最末端，预测当前时刻用户最可能观看什么。"通过这个简单技巧，模型就能自然地倾向于推荐新上传的视频。

4. 效果验证：加入 Example Age 特征后，模型预测的视频观看概率分布与实际分布的拟合度有了显著提升。这是 Deep Neural Networks for YouTube Recommendations 中最被人津津乐道的工程技巧之一。

5. 深远影响：Example Age 的思想——"在训练中暴露偏差，在推理中消除偏差"——可以被看作是推荐系统中 因果推断（Causal Inference）和去偏（Debiasing）研究的先驱。后续的 IPW（Inverse Propensity Weighting）、因果 embedding、反事实学习等方法，都是这一思路的更加理论化和系统化的延伸。

6. 局限性：虽然 Example Age 在一定程度上缓解了新视频推荐不足的问题，但对冷启动视频（刚上传、几乎没有交互数据的视频）的处理并不充分。新视频的 embedding 在训练初期不稳定，在模型更新频率有限的情况下，很多新视频可能在获得足够曝光之前就已经"过时"。

来源

• 07-youtube-dnn.md — Deep Neural Networks for YouTube Recommendations 深度解读

相关

• Deep Neural Networks for YouTube Recommendations — 提出该技术的论文
• 冷启动问题 — Example Age 部分缓解但未完全解决的问题
• 因果推断 — Example Age 思想的理论化延伸方向
• 两阶段推荐架构 — Example Age 在其中的应用位置