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
本研究考虑不同推荐算法对不同用户偏好的响应度进行测量,并揭示了算法中流行度偏差可能是导致推荐偏差的重要因素。两个真实数据集的实验结果表明,用户群体受到算法中流行度偏差程度与他们对流行物品的兴趣程度之间存在关联,并且受到算法中流行度偏差影响越大,他们的推荐结果就越有偏差。
Aug, 2020
本文介绍了一种度量推荐算法响应用户真实偏好的度量标准,称为 “miscalibration”。研究人员考虑了各种算法可能导致不同程度的 miscalibration,从而探讨了当算法流行度偏差导致 miscalibration 时的关键因素,其中研究者使用两种真实世界数据集展示了不同算法对用户群体的影响和流行偏差对 miscalibration 的影响。
Oct, 2019
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
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
推荐系统中普遍存在的流行度偏差问题,导致推荐结果集中在热门物品,本文回顾了流行度偏差的潜在原因和现有方法,并批判性地讨论了当前文献的局限性。
Aug, 2023
量化推荐系统中的偏见和偏差是重要的,本文提出了四个度量指标来衡量受时间和敏感用户组影响的推荐系统中的流行度偏差,并展示了这些度量指标综合使用时能够全面了解敏感群体之间的不公平对待逐渐增加的情况。
Oct, 2023
本研究提出使用基于概率编程语言的混合公平意识推荐系统,以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐,同时解决了推荐偏见问题。与最先进的公平推荐系统相比,实验结果表明,我们的模型可以提供更准确、更公平的推荐。
Sep, 2018
该研究提供了一种使用因果推论来处理选择偏差的方法,可实现对推荐系统的评估和训练,并获得实际数据上显着改善的预测效果。
Feb, 2016
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