【摘要】在推荐系统中，由于数据是从用户行为中收集而来而不是通过合理的实验得到，因此偏差问题是普遍存在的。自动去偏框架（AutoDebias）通过采用元学习寻找适当地去偏置配置(即伪标签和置信权重)，已被证明是应对各种偏差的一种通用和有效的解决方案。然而，为每个用户-物品对设置伪标签和权重是一个极度耗时的过程。因此，自动去偏框架面临巨大的计算成本，这使其在实际应用中的适用性较差。虽然使用带有均匀采样器的随机梯度下降可以加速模型训练，但这会显著恶化模型的收敛性和稳定性。为了解决这个问题，我们提出了LightAutoDebias (简称LightAD)，它为自动去偏框架配备了一种专门的权重采样策略。该采样器可以自适应地和动态地获取信息量更大的训练样本，这带来的收敛性和稳定性比标准的均匀采样器更好。在三个基准数据集上的广泛实验证明，我们的LightAD可以加速自动去偏框架的训练达几个数量级，同时保持几乎相同的精度。