期望观看时长

概述

推荐排序模型的优化目标：通过加权逻辑回归近似期望观看时长，避免 CTR 优化导致的标题党问题。

关键内容

1. 为何不优化 CTR：优化点击率（CTR）会鼓励"标题党"（clickbait）——用户点了但看了几秒就关掉的视频可能有很高的 CTR，但显然不是好的推荐。观看时长更能反映用户的真实满意度。Deep Neural Networks for YouTube Recommendations 明确指出应优化期望观看时长而非 CTR。

2. 加权逻辑回归设计：对于每个训练样本，正样本（用户点击并观看了）的权重设为该用户的实际观看时长 T_i，负样本（展示了但用户没有点击）的权重设为 1。在这种设置下，逻辑回归学到的 odds（即 e^{Wx+b}）近似等于期望观看时长 E[T]。

3. 数学推导：假设正样本比例 P 很小（在推荐场景中通常成立），则加权后的 odds 约为：odds = (P * E[T]) / (1 - P) ≈ P * E[T] * (1 + P) ≈ E[T]。因此在线上推理时，直接使用 e^{Wx+b} 作为排序得分，就近似地在按期望观看时长排序。

4. 工程优势：巧妙地将观看时长融入到逻辑回归的框架中，避免了直接回归观看时长可能带来的困难（如分布偏斜、零膨胀等），同时又能在推理时直接输出期望观看时长的近似值。这种"用分类代理回归"的技巧在后续工业实践中被广泛借鉴。

5. A/B 测试验证：使用期望观看时长作为排序目标，相比 CTR 排序，在线观看时长指标有明显改善。这一观点直接推动了整个行业从"点击率至上"转向"用户满意度导向"的思维转变。

6. 现代演进：当前推荐系统往往需要同时平衡多个目标（用户满意度、内容多样性、创作者生态、平台收入等），期望观看时长作为单一目标已扩展为多目标联合优化 + 约束优化的框架。

来源

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

相关

• Deep Neural Networks for YouTube Recommendations — 提出该优化目标的论文
• CTR 预估 — 被期望观看时长替代的优化目标
• 两阶段推荐架构 — 期望观看时长在排序阶段的应用
• Bias 建模 — 与期望观看时长相关的偏差处理