Paper Digest: Invariant Feature Learning
Invariant Feature Learning for Counterfactual Watch-time Prediction in Video Recommendation
💡 针对视频推荐中严重的“时长偏差（Duration Bias）”，提出了一种基于因果推断的时长不变特征学习（DIFL）框架。通过核方法正则化，剥离视频时长对用户真实兴趣的干扰，实现高度准确的反事实完播率预测。
🚨 1. The Problem: 被“时长”绑架的推荐算法
在短视频（如 TikTok、Kuaishou）和长视频（如 YouTube）生态中，用户的“观看时长（Watch Time）”是衡量推荐系统成功与否的核心指标 [cite: 17]。然而，这个任务天生带有一种极具破坏性的系统性偏差 [cite: 5]。
核心痛点：时长偏差 (Duration Bias) 与分布偏移
推荐模型为了最大化总体观看时长，会本能地偏好推荐“长视频” [cite: 5, 22]。即便一个短视频极其符合用户兴趣，其绝对时长也无法与长视频抗衡。现有的去偏方法（如后门调整 D2Q）通常粗暴地将视频按时长分组并聚合 [cite: 7, 8]，这不可避免地引入了特征分布偏移（Distribution Shift），导致模型在不同时长的视频上泛化能力极差 [cite: 9]。
推荐模型为了最大化总体观看时长，会本能地偏好推荐“长视频” [cite: 5, 22]。即便一个短视频极其符合用户兴趣，其绝对时长也无法与长视频抗衡。现有的去偏方法（如后门调整 D2Q）通常粗暴地将视频按时长分组并聚合 [cite: 7, 8]，这不可避免地引入了特征分布偏移（Distribution Shift），导致模型在不同时长的视频上泛化能力极差 [cite: 9]。
🚀 2. The Breakthrough: 剥离时长的因果不变表征
为了让模型看清用户的“真实偏好”而非被视频长度忽悠，我们重构了学习范式，提出了 DIFL (Duration-Invariant Feature Learning) 框架 ：
- 时长不变性正则化 (Duration Dependence Regularization): 我们引入了希尔伯特-施密特独立性准则 (HSIC) 这一核方法 [cite: 32]。它强制要求深度学习提取出的“用户兴趣表征（Representation）”在统计学上必须与“视频时长”绝对独立 [cite: 30]。这意味着模型被迫去理解视频的内容本质，而不是走捷径依赖时长标签。
- 反事实推断 (Counterfactual Inference): 基于这种“纯净”的兴趣表征，模型能够进行反事实推理 [cite: 35]——“如果这个视频只有10秒，用户会看多久？如果是5分钟呢？”，从而精准还原出剔除了曝光偏差后的真实完播率期望。
📈 3. Key Results: 业务与实验价值
亿级工业场景下的 SOTA 突破：
除了在 KuaiRec 和 CIKM 等公开数据集上全面碾压现有 SOTA，DIFL 还在一个拥有 4 亿日活（400M DAU）的真实工业级推荐平台上进行了验证 。实验表明，DIFL 有效拉近了不同时长视频间的表征差异（MMD大幅下降） [cite: 313, 317]，显著提升了长尾/短视频的曝光公平性与全局推荐精度。
除了在 KuaiRec 和 CIKM 等公开数据集上全面碾压现有 SOTA，DIFL 还在一个拥有 4 亿日活（400M DAU）的真实工业级推荐平台上进行了验证 。实验表明，DIFL 有效拉近了不同时长视频间的表征差异（MMD大幅下降） [cite: 313, 317]，显著提升了长尾/短视频的曝光公平性与全局推荐精度。
🔗 4. Resources
📄 Paper PDF: Official link to be updated upon AAAI 2026 proceedings publication.