LTR中的一个常见问题就是position debias，在面试诸如推荐、搜索这样的职位的时候很有可能被问到。
所谓position bias就是指，当给用户展现搜索和推荐结果时，用户倾向于点击第一个item的这个行为里面，既有item的质量的影响，还有item排在第一个这个事件本身的影响。所以直接从原始log的数据中学习排序模型的学到的结果是有偏的。那么解决这种bias的方法主要有一下几种：
1、样本安排的trick：
a. 正样本后的样本都不算到训练样本中，如下图所示。这样就不会计算正样本后的样本，因为这些样本很可能没有被看到
（这个方法的缺点是用户点击第一个展示就不会产生样本，那么每次训练总是倾向于修改之前的结果）-> 改进：正样本后算有限个样本。
b. 分一部分流量展示topK随机排序，将这部分无偏集加入训练 （但是这个流量小的话数据不多，大的话可能会影响一部分人的体验）
2、特征&模型设计：
a. 将位置信息作为特征加入到模型特征中 （缺点是预测时没有位置信息，使用缺失值代替的话就造成了训练和预测的不一致，covariate shift）
b. 点击模型校准：通过各种方法得到用户是否看到了位置K（K越大这个概率越小）的概率，然后用1/P(K)给主模型的训练样本进行加权。可以是对用户历史浏览记录的统计，也可以通过向用户展示一些随机排序的item然后统计看到各个位置的概率得到看到位置K的概率。这个看到位置K的概率是user_id的函数，不同用户的概率分布不同欧诺个
c. YouTube的一篇文章：https://zhuanlan.zhihu.com/p/86627202
用一个shallow tower 独立于主模型之外对position建模，然后作为偏置项加到logit里来算损失。预测的时候处理为missing。基本思想是训练的时候由shallow tower来纠偏，认为这样主模型就能学到无偏结果，区别于a中直接将位置作为特征加入到主模型中