# 什么是曝光去偏(Exposure Debiasing)？怎么处理没曝光的物品？

🚀 本文收录于Github：[AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

> by @Laizhuocheng

---

## 一、简介

想象你开了一家书店，店员总是把畅销书摆在最显眼的位置，而那些小众但优质的书籍被藏在角落里。久而久之，畅销书越来越畅销，好书却无人问津——这不是因为书不好，而是因为它们根本没被看到。

这就是推荐系统中著名的**曝光偏差**问题。用户只能对系统展示的商品产生点击、购买等行为，而那些从未被展示的商品，即使非常符合用户口味，也无法获得任何正反馈。久而久之，推荐系统会陷入"马太效应"：热门商品越来越热门，冷门商品越来越冷门。

更糟糕的是，新上架的商品或小众商品会陷入恶性循环：**没曝光就没数据 → 没数据模型就不推荐 → 更不推荐就更没曝光**。

那么，如何让推荐系统"公平"地看待每一个商品？这就是**曝光去偏**要解决的问题。

---

## 二、什么是曝光去偏

**曝光去偏（Exposure Debiasing）** 是一类用于纠正推荐系统中由曝光机制引入的选择性偏差的技术。

简单来说，它的目标是：**让模型学会评估商品的真实价值，而不是仅仅学会预测"哪些商品会被展示"**。

### 核心思想

曝光去偏的本质是处理**数据收集过程中的非随机性问题**。理想情况下，我们希望收集到用户对所有商品的真实偏好，但现实是用户只能对推荐系统展示出来的那部分商品产生反馈。

这就像做问卷调查，如果只发给特定人群，结果就会有偏差。曝光去偏就是要"矫正"这种偏差，让模型能够推断出：**如果用户看到了那些没曝光的商品，他们会喜欢吗？**
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/de3bbb82f1c6a8de5d14a3c53dc140d4.png)
---

## 三、曝光去偏如何工作

### 3.1 逆倾向加权（IPS）

最主流的方法之一是**逆倾向加权（Inverse Propensity Scoring，IPS）**。

**核心思想**：给每个训练样本乘以曝光概率的倒数作为权重。曝光概率越低的样本，权重越高。

举个例子：
- 商品A的曝光概率是50%，权重 = 1/0.5 = 2
- 商品B的曝光概率是1%，权重 = 1/0.01 = 100

这样，那些很少被展示的商品在训练时就有了更高的"话语权"，模型就不会忽视它们的价值。

**但IPS有个致命弱点**：当曝光概率非常小时，权重会变得极大，导致训练不稳定。比如曝光概率只有万分之一，权重就变成一万，这会让梯度爆炸。

**工程解决方案**：
```
1. 设置权重上限（如100），避免极端值
2. 设置曝光概率下限（如0.01），避免除以过小的数
3. 使用Doubly Robust方法（结合模型预测，降低方差
```

### 3.2 Doubly Robust（DR）方法

DR方法巧妙地结合了IPS的无偏性和模型预测的低方差：

1. 先用一个baseline模型预测未曝光时的表现
2. 然后用IPS去矫正预测误差

这样即使倾向性分数估计有一定误差，或者baseline模型预测不够准确，只要不是两者同时出错，DR估计量就能保持一致性。

### 3.3 探索机制：主动给未曝光物品创造机会

除了离线矫正，还可以通过**探索机制**主动给未曝光物品制造数据机会：

**Epsilon-Greedy策略**：
- 设置一个探索率（如10%）
- 每次推荐时，90%的概率按模型预测排序，10%的概率随机展示
- 简单直接，但探索是"盲目"的

**Thompson Sampling（更智能的探索）**：
- 为每个物品维护一个后验分布
- 不确定性大的物品有更高的采样概率
- 随着数据积累，不确定性降低，探索概率自然衰减

这就像老师提问：一开始会给所有学生机会，发现某个学生回答得很好后，就会更信任他的能力。

### 3.4 处理完全没曝光的物品

对于**完全没曝光的物品**（曝光概率为0），IPS完全失效，因为权重会变成无穷大。这时候需要完全不同的策略：

**1. 冷启动预测**
- 利用物品的内容特征（品牌、价格、类别等）
- 参考相似物品的历史表现
- 基于商品知识图谱传播信号

**2. 引入随机流量**
- 拿出5%的流量做完全随机推荐
- 为新品制造初始曝光机会
- 提供无偏的锚点数据用于校准

**3. 半监督学习**
- 不把未曝光物品简单当成负样本
- 将它们当作无标签数据
- 用一致性正则化来利用这些信息
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/4c146964108574800259475d998718fb.png)

---

## 四、曝光去偏的优缺点

| 优势 | 劣势 |
|------|------|
| 提升推荐多样性，避免结果同质化 | 短期点击率可能下降 |
| 帮助新商品和小众商品获得曝光 | 需要额外的工程复杂度（倾向性分数估计） |
| 改善长尾物品的推荐效果 | 权重截断参数需要调优 |
| 提升用户长期满意度和留存 | 探索机制可能带来短期体验下降 |
| 促进平台生态健康发展 | 完全未曝光物品处理难度大 |

---

## 五、实际应用与发展趋势

### 5.1 实际应用场景

**电商平台的新品扶持**：
在电商场景中，曝光去偏被广泛用于新品冷启动。通过IPS加权和探索机制的结合，新上架的商品能够获得公平的展示机会，避免被头部商品"淹没"。

**内容推荐的长尾挖掘**：
视频、音乐、新闻平台利用曝光去偏技术挖掘长尾内容的价值。这不仅提升了用户体验（发现更多感兴趣的内容），也帮助创作者获得应有的流量。

**广告系统的公平竞价**：
在广告推荐中，曝光去偏确保新广告主或小众广告主能够与大广告主公平竞争，避免"赢家通吃"的局面。

### 5.2 工程实践要点

**倾向性分数估计**：
- 用历史曝光日志训练分类模型
- 输入：用户特征、物品特征、上下文特征
- 输出：曝光概率
- 关键：加入随机流量作为锚点数据

**权重截断策略**：
```
下界截断：避免除以过小的数（如0.01）
上界截断：控制极端权重（如100）
调优方法：网格搜索配合离线指标评估
```

**AB实验设计**：
- 不只关注短期CTR，更要看长期生态指标
- 监控推荐多样性（基尼系数、覆盖率）
- 观察长尾物品曝光占比和新品的冷启动速度

### 5.3 发展趋势

**与因果推断的深度融合**：
曝光去偏本质上是因果推断在推荐系统的应用。未来会有更多基于后门调整、前门调整等因果推断工具的方法出现。

**在线学习与离线去偏的结合**：
- 离线：用IPS/DR方法训练base模型
- 在线：用Bandit算法实时调整
- 既有理论保证又有实时优化能力

**动态去偏权重**：
根据业务阶段灵活调整去偏强度：
- 新品扶持期：去偏权重调高到0.5
- 大促期间：降到0.2以追求GMV

---

## 六、总结与思考

曝光去偏解决的是推荐系统中一个根本性的问题：**我们观察到的数据，是被系统"筛选"过的数据**。

通过逆倾向加权、探索机制和冷启动预测等技术，我们可以让模型更公平地评估每一个商品的真实价值，而不是仅仅学会预测"哪些商品会被展示"。

**更深层的思考**：

曝光去偏提醒我们，在机器学习中，**数据不是中立的**——它承载着系统的偏见、历史的惯性、以及权力的分配。当我们说"让数据说话"时，必须意识到数据本身就在"说"着某些商品比另一些更值得被看见。

真正优秀的推荐系统，不应该只是预测用户会点击什么，而应该帮助用户发现他们真正会喜欢的东西——哪怕这些东西从未被展示过。

---

*参考资料：
- Joachims et al., "Unbiased Learning-to-Rank with Biased Feedback"
- Schnabel et al., "Recommendations as Treatments: Debiasing Learning and Evaluation"*


🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

什么是曝光去偏(Exposure Debiasing)？怎么处理没曝光的物品？

想象你开了一家书店，店员总是把畅销书摆在最显眼的位置，而那些小众但优质的书籍被藏在角落里。久而久之，畅销书越来越畅销，好书却无人问津——这不是因为书不好，而是因为它们根本没被看到。

数据开发/数据仓库

人工智能

算法

大数据

曝光去偏(ExposureDebiasing)是纠正推荐系统曝光偏差的技术，通过逆倾向加权(IPS)、DoublyRobust方法等让模型公平评估商品真实价值。解决冷启动问题需结合随机流量、半监督学习等方法，提升推荐多样性，促进平台生态健康发展。

机器学习

2026采购季 | AI焕新·智启新局

tione

4核4G3M云服务器 新用户低至38元/年！

survey

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

什么是曝光去偏(Exposure Debiasing)？怎么处理没曝光的物品？-腾讯云开发者社区-腾讯云

什么是曝光去偏(Exposure Debiasing)？怎么处理没曝光的物品？

什么是曝光去偏(Exposure Debiasing)？怎么处理没曝光的物品？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐