流行度偏见对推荐的公平性和校准性的影响

Oct, 2019

流行度偏见对推荐的公平性和校准性的影响

The Impact of Popularity Bias on Fairness and Calibration in Recommendation

Himan Abdollahpouri, Masoud Mansoury, Robin Burke, Bamshad Mobasher

TL;DR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。

Abstract

Recently there has been a growing interest in fairness-aware recommender systems, including fairness in providing consistent performance across different users or groups of users. A recommender system could be considered unfair if the recommendations do not fairly represent the tastes of a certain group of users while other groups receive recommendations tha

fairness-aware recommender systems miscalibration popularity bias algorithmic bias user groups

发现论文，激发创造

推荐系统中流行度偏差、校准和公平性之间的关联

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

推荐系统中的精度、误校准和流行偏见研究

本研究分析了五个著名推荐算法在具有不同意向的用户群组中的表现不一致性、度量标准和不同类型影片对不一致表现的影响，结果表明，对流行度兴趣不高的用户收到的推荐准确性最低，且特定类型影片对于不一致性表现有不同的影响。

Mar, 2023

推荐系统中流行度偏差的不公平性

研究推荐系统的流行度偏见问题，从用户的角度出发，通过对用户兴趣的分类（利基、多样性和网红聚焦）和对电影数据集的实验结果显示，即使用户对长尾和不受欢迎的项目感兴趣，许多推荐算法在推荐中仍然极度集中于流行项目，出现极端的偏见差异。

Jul, 2019

图书推荐中的流行偏见不公平现象

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

推荐系统中的流行度偏差调查

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

动态推荐系统中的流行度偏差度量

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

协同推荐中的偏差差异：算法评估和比较

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

推荐中的多维度暴露偏差

本文通过使用多个推荐算法和音乐、电影两个领域的公开数据集，实证了推荐算法的内在流行度偏差以及这种偏差对用户和项目供应商等不同利益相关者的影响，并提出了从不同利益相关者的角度衡量推荐算法暴露偏差的度量方法。

Jun, 2020

基于用户的推荐系统流行度偏差评估

本论文提出了一种新的度量方法以及一种后征的算法来缓解推荐系统中热门偏执的问题，该方法在不同用户的角度下提供了更准确的度量，实验结果表明现有的解决方案还不能很好地处理用户对热门推荐物品的容忍度。

Mar, 2021

协同推荐中的流行度去偏差：连接用户和物品视角

研究了推荐系统中流行项和小众项之间存在的偏见问题，并提出了两种度量这种偏见的新方法，同时也提出了一种内部处理方法来减少这种偏见。实验证明，该方法可显著提高推荐质量。

Jun, 2020