Mar, 2017
推荐系统与人的交互
Human Interaction with Recommendation Systems
Sven Schmit, Carlos Riquelme
TL;DR该研究旨在了解推荐算法对未来用户数据的影响,通过提出一个简单模型,表明忽略这个反馈循环将导致非一致性评估器,因此验证了我们的结论。
Abstract
Many recommendation algorithms rely on user data to generate recommendations.
However, these recommendations also affect the data obtained from future users.
This work aims to understand the effects of this
发现论文,激发创造
解决推荐系统中表观多样性 - 准确性两难问题
介绍了一种针对推荐系统中推荐准确性和多样性的算法,通过将该算法与基于准确性的算法混合使用,能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。
Aug, 2008
用户偏好动态下的推荐系统伤害缓解
研究考虑了推荐系统、用户兴趣演化以及有害内容之间的相互作用,建模了推荐对用户行为的影响,特别是对有害内容消费的倾向性。旨在找到在最大化点击率(CTR)和减轻伤害之间建立权衡的推荐策略,并提出了在稳态下找到最优推荐策略的算法。在以真实数据初始化的半合成电影推荐设置上进行实验,观察到我们的策略在同时最大化 CTR 和减轻伤害方面优于基准线。
Jun, 2024
推荐系统中的偏差差异
本研究在合成数据上进行了初步的实验研究,在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡,并对实际数据的数据失衡进行了一些观察。
Nov, 2018
推荐系统中的退化反馈环路
本研究探讨了机器学习在推荐系统中的应用,分析了用户动态和推荐系统行为对 “回声室” 和 “筛选气泡” 现象的影响及其解决方案。该研究有助于理解和解决该领域仍然存在的复杂时间情景及其常见问题。
Feb, 2019
打破定型:一个统一框架用于审视推荐系统中的误判、偏见和刻板印象
评估推荐系统的系统性误差、刻板印象和校准问题,并提出了一种统一框架来衡量系统引起的效应,研究发现简单算法生成的推荐结果更符合刻板印象但偏差较小,而较复杂算法产生的推荐则存在更大的偏差,进而影响到非典型用户和少数群体,通过过采样来减少刻板印象和提高推荐质量具有改善系统引起效应的潜力。
Dec, 2023