一，背景
- 介绍：KDD2022，快手
- 业务：短视频推荐，目标是增加用户观看时长，手段是观看时长预估模型。
- 动机：提升观看时长不仅取决于用户和item的匹配，也与视频本身时长相关。如果忽略视频本身时长的影响，模型容易推出更长时长的视频。因此，在这种不平衡的数据上训得的模型，就面临bias放大的风险，导致进入到不断推荐本身时长更长视频的恶性循环、忽略用户真实兴趣表达。
- 原文：dl.acm.org/doi/pdf/10.…
业务场景图：
下面是两个数据分析：首先是视频时长在100s以下短视频，随着视频时长的增加、观看时长也正增加。因此，将视频时长增加到模型特征中来预估观看时长，会带来bias。
另外是，随着视频时长增加，长视频的曝光占比逐渐增加，因此模型样本会被长视频占据，无法实际刻画用户兴趣。
- 方案：将“视频时长”看作同时影响短视频曝光和用户观看时长的混淆变量，通过绘制因果图，剪除视频时长对短视频曝光的导致的偏差问题，提出了一个模型解决框架：Duration-Deconfounded Quantile-based watch-time prediction framework(D2Q观看时长预测模型)。
二，框架
2.1 causal model of watch-time prediction 观看时长预估因果模型
利用因果图，绘制得到用户U、视频V、视频时长D、观看时长W的关系如下：
从图中看到，视频时长D通过两条路径影响观看时长W，分别是：D->W、 D->V->W。D->V->W将更多的长视频引入样本中，带来了bias，因此应该剪断。
2.2 backdoor adjustment for duration bias 针对时长偏置的后门准则调整
基于因果图的建模，可以明确得到两个信息：
1）消除视频时长偏置；
2）保留视频时长对观看时长的影响。
作者基于时长分位数来划分数据，降低遍历所有视频时长带来的开销，因此变成了每个时长分桶下建立一个模型预估观看时长：
从预估观看时长 ->预估观看时长分位数，实现参数共享：
2.3 model framework 模型框架
训练：
推理：
分组观看时长预估模型 的三种结构：
1）每个分组独立预测；
2）所有分组共享模型参数；
3）所有分组共享模型参数，同时对视频时长进行残差拼接到预测结果上。
三，实验
offline:
online:
