【position bias 1】 Leveraging Position Bias to Improve Peer Recommendation

position bias一般出现于展现系统中，指由于展现位置对被展示事物的影响。比如在百度的搜索结果中，同样一个网站链接，在搜索结果中位置越靠前一般就能带来更多的点击。一个生活中的现象是商店的位置，好的位置能带来持续的人流量，而位置偏僻的则极少有人光顾。

这里主要记录一些相关的调研，形式以paper内容为主，尽量加入一些自己的理解

Leveraging Position Bias to Improve Peer Recommendation

该paper类似于调研，作者在amazon的任务平台上发布任务：有100篇科学观点描述及简介（文章称为scientisic story)，然后测试者会喜欢的话会点击推荐（recommand), 会有不同的展现策略顺序被测试，展现形式是自上而下的瀑布流，因此会引入position bias（影响被测试者的注意力，越靠前的会更容易被关注），其目的是：由于人的认知偏差，不同的展现顺序会影响对各个展现的attention, 因此展现顺序十分重要，文章就是要比较不同策略下的效果。

采用的展现顺序策略有如下：

1. 完全随机展现（根据结果可以比较出来不同story的质量）
2. story的累积活跃度（累积被点击的次数）
3. 最近活跃（即根据最近的一次被用户点击的时间）
4. 固定顺序（根据后文是随机的）
5. 固定顺序（与4的顺序相反）

实验结果：

由于策略1是随机打乱顺序让用户评估，可以根据策略1来确定各个story的相对质量，并利用各个位次上的实际点击/预期点击 来计算positon-bias，如下图：

文中对最后翘起来的部分做了解析： 部分用户会从后往前看（仍不太理解），另外作者认为可能是被测试者想表明自己看完了所有的（是付费测试，不是所有人都能拿到钱）

整个测试结果如下图：

图中横坐标表示story的质量（在随机顺序测试中确定的），而纵坐标是不同策略下的实际质量，各个图表示的为不同策略下对点击的影响（比如最后一列popularity代表策略2，其方差就比较大，分布比较散，可以理解为position bias的影响，即一部分质量好的story由于本身比较好，如果一开始随机被排到了前了，按策略2更容易被排到前面，而一部分即使质量好，在实验开始随机排列是被排的靠后，不容易popular, 也导致最终整体的点击比较少）

按照activity的策略则可等价认为是随机的，fixed的策略就比较容易理解了。

文章的标题是利用position bias来提高推荐效果，但感觉整个文章是在做实验描述现象，仔细想想作者想表达的是内容快速更新的场景中，要让新的质量好的内容被推荐给用户，几种策略的比较：

1. 随机实验会严重影响到用户体验
2. 按popular的策略则会引起严重的不稳定（如果一开始新内容有机会被展现到前面从而被点击，可能最终会一直在最前面，相反如果一开始被展现的靠后，则也会一起在最后面）
3. 按最近活跃则比较适合，新的好内容会由于持续点击而比较靠前，而差的或者不新鲜的则会慢慢下降。感觉比较适合于社会热点类比较微博热搜之类的

我想作者想表达的也是这个意思，相当于利用了position bias。