本文研究合作过滤算法中的公平性问题,特别是流行度偏见对推荐结果的影响,并利用外部来源的作者信息富化图书评分数据集。结果表明,热门的合作过滤算法存在天空偏见,推荐结果偏向于美国籍作者编写的流行书籍。本研究认为应该进一步研究流行度偏见的社会影响。
Sep, 2022
本文研究了音乐推荐系统的性别偏见现象并分析了其来源和影响,并使用偏差不平等指标在两个听音事件数据集上对整个现象进行了评估和研究。
Sep, 2020
研究了产品推荐中市场偏见可能导致协同过滤算法中的用户反馈与产品营销图像之间的相关性问题,并提出了解决这一潜在问题的框架,旨在保护小众市场的推荐公平性。量化结果表明,该方法显著提高了不同市场段的推荐公平性,同时未带来可忽略的推荐准确性损失。
Dec, 2019
研究多媒体推荐系统的协作过滤算法,并发现其中的流行度偏差问题,导致推荐列表中较不受欢迎的项目被低估。通过对 LastFm、MovieLens、BookCrossing 和 MyAnimeList 等数据集进行研究,结果表明对普及度不高的项目感兴趣的用户的推荐体验要比对普及度中等和高的项目感兴趣的用户的推荐体验更差。
Mar, 2022
本文研究了阅读领域中流行度偏见的问题,并发现大多数现有最先进的推荐算法都存在流行度偏见,不能满足用户的不同口味需求,而侧重畅销图书的用户则更容易获得高质量的推荐建议。同时,本研究表明,在涉及到偏好多样性的用户群体中,个性化能力强的算法会受到偏见的不公平对待。
Feb, 2022
本篇研究探讨不同的推荐算法是如何权衡排序质量和偏见差异,特别是针对机器学习以及推荐系统中的公平性问题所做的实验。
Aug, 2019
该文章描述了几种算法来实现协同过滤或推荐系统,并使用不同的评估方法比较了它们的预测准确性。结果表明,在大多数情况下,每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。
Jan, 2013
该论文论述了在线约会存在信息过载的问题,使用协同过滤算法的推荐系统可以有效提高用户体验和商业价值。
Mar, 2007
通过对英语电影本文分析了性别角色的刻画,并运用自然语言处理技术和机器学习技术探讨了男性和女性角色在性格特征上存在的差异和社会刻板印象,致力于推动电影行业中的性别平等。
Nov, 2022
本文研究和提出了两种新的图形模型,解决了用户偏好和评分之间的区别问题,通过两个电影评分数据集的实证研究,证明了明确建模用户偏好对于协同过滤非常重要,但是不能完全忽略评分信息。
Oct, 2012