Ranking Bandits for Carousel Interfaces with Observable Browsing Depth — 深度解读

目录 · 6 节

1问题：没看见 ≠ 不喜欢 2方法：只更新观察到的曝光 3核心贡献：深度观测换掉位置偏置表 4实验 5局限 6实践意义

轮播里用户会在某个深度停下，比该深度更靠后的坑位既没点击也没曝光；经典位置偏差模型（PBM）却仍把它们当成「看见了但不点」。这篇在可观测浏览深度 $V(t)$ 下提出 OD-UCB / OD-TS / OD-DMED-L：只对真正曝光过的位置更新统计量。OD-UCB 有实例相关对数 regret 上界；OD-DMED-L 的渐近上界与下界主项一致。在浅/深合成环境与 RecGaze 标定环境上， $T = 500, 000$ 时 OD-TS 最终平均 regret 与知情 $P_{j}$ 的 PBM-TS 相当（浅环境 1121.8 vs 1159.9），三类 OD 方法均低于 PBM-UCB。能观测浏览深度时，就别再对没看见的坑位做负反馈。

1. 问题：没看见 ≠ 不喜欢

每轮展示 $L$ 个位置的排列，用户观察到深度 $V(t)$ 后停下；点击只发生在已观察位置，且与物品吸引度 $θ_{i}$ 有关。PBM 用已知或估计的检查概率 $P_{j}$ 解释「位置越后越少点」，但把未观察位置也卷进似然。作者假设 $V(t)$ 可观测且与展示顺序独立，目标是最大化期望点击、最小化相对最优排列的 regret。

论文设定页：轮播界面与可观测浏览深度 $V(t)$（PDF）。看哪些位置进入曝光计数，哪些被排除。

2. 方法：只更新观察到的曝光

记物品 $i$ 截至 $t$ 的曝光次数 $n_{i} (t)$ 与点击次数 $s_{i} (t)$ ，二者都只在 $j \leq V (s)$ 的位置累计。OD-UCB 在观测均值上加宽度项，对物品排序取 top- $L$ ；OD-TS 对 Bernoulli 吸引度用 Beta 后验采样；OD-DMED-L 按 DMED 风格做渐近最优探索。与 PBM-UCB/TS 对比时，基线仍使用真实 $P_{j}$ ，但看不到当轮实现的深度——OD 方法用的信息是深度，不是位置偏置表。

方法与界（PDF）：OD-UCB 有限时间上界与 OD-DMED-L 渐近上界的位置。

3. 核心贡献：深度观测换掉位置偏置表

理论：OD-UCB 给出 gap-dependent 对数上界；相对 PBM-UCB，在 $α \to 1/2$ 时主项少了 $P_{L}^{- 2}$ 因子。OD-DMED-L 渐近上界与下界主项重合，说明该极限下最优。实践：不必先估 $P_{j}$ ，也避开 PBM-TS 对非共轭后验的拒绝采样。

4. 实验

设定 $K=50$，$L=5$， $T = 5 \times 1 0^{5}$ 。三环境：synthetic shallow（ $P$ 衰减快）、synthetic deep（ $P$ 衰减慢）、RecGaze-driven（眼动+点击估计的 $P$ 与 CTR，3477 次交互、87 人）。种子间共享深度与点击随机变量。

环境	OD-TS	PBM-TS	OD-DMED-L	OD-UCB	PBM-UCB
shallow	1121.8	1159.9	2137.2	6280.6	19568.2
deep	1326.9	1356.8	4006.6	8761.5	12226.3
RecGaze	856.1	876.9	1910.5	（高于 TS）	更高

OD-TS 与 PBM-TS 置信区间重叠，但 OD-TS 不需要真实 $P_{j}$ 。长视野 $T = 1 0^{7}$ 诊断显示 OD-DMED-L 的 $Reg (t) / lo g t$ 靠近理论系数。

5. 局限

作者写明：独立点击、深度与排列无关是建模假设；RecGaze 是日志标定仿真，不是线上部署，不能断言真实用户过程下的 regret。部分次优 CTR 估计接近，但 top- $L$ 集合仍唯一。

6. 实践意义

一是轮播/信息流若能打点真实浏览深度（曝光像素、眼动代理、滑停），bandit 更新应掩掉未曝光位。二是已有 PBM-TS 流水线可先 A/B 换 OD-TS：少依赖 $P_{j}$ 估计，有望保持相近 regret。