跳转至

DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems

保真度：核心机制复现。原文结论、本地公开数据实验和未复刻部分分开陈述。

论文信息

项目 内容
论文链接 arXiv 2605.17863
公司/机构 Kuaishou Technology
首次公开日期 2026-05-18（arXiv v1）
原文开源代码 是：DADF
Adapter dadf
本地复现代码 src/auto_research/reproductions/dadf/

原始论文总结

背景与主要改动

冻结成熟的第一阶段 watch-time 模型，按条件分布学习乘性残差校正，并保持线上标量接口不变。

flowchart LR
 A["冻结基模型"] --> B["分布感知残差"] --> C["乘性校正"]

原论文关键图

DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \hat y=\hat y_0\,b_\phi(x,\hat y_0),\quad b^*=y/\max(\hat y_0,\epsilon) \]

论文离线与线上效果

原文的主要线上证据为 average time spent per device +0.65%（7-day A/B, then 100% traffic）。论文离线表与线上指标使用私有或论文指定口径，不能与下面的 MovieLens 数字直接比较。

本地复现

本地对照口径：基线为共享 transition + content scorer；实验组在相同用户、物品、全库候选和 seed 上只加入 dadf 核心机制，相对 NDCG@10 +0.00%。

MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0540（+0.00%），Hit@10 0.1091 → 0.1091。验证集只用于选择机制混合权重，测试集没有参与调参。

auto-research reproduce --paper dadf --dataset-dir data --seed 42

固定指标见 metrics/public-seed42.json。

复现边界

在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；公司私有特征、生产基础模型与在线流量不可公开，论文 A/B 数字仅作原文引用。 本地实现执行了独立的模型状态和打分路径；它不是把论文名映射到同一个加权公式。未复刻项见 adapter 的 omitted_core_components，本地相对变化不得与原文 A/B 提升混写。