应对产品推荐中的营销偏见

WSDMDec, 2019

Addressing Marketing Bias in Product Recommendations

Mengting Wan, Jianmo Ni, Rishabh Misra, Julian McAuley

TL;DR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。

Abstract

Modern collaborative filtering algorithms seek to provide personalized product recommendations by uncovering patterns in consumer-product interactions. However, these interactions can be biased by how the product

collaborative filtering product recommendations market bias recommender systems recommendation fairness

发现论文，激发创造

探究作者性别在书籍评分和推荐中的影响

通过公开的书籍评分数据，我们研究协同过滤推荐算法对于内容创作者性别分布的响应，发现常见的协同过滤算法在推荐书单的性别分配方面存在差异，并且与用户档案分布的关系也存在差异。

Aug, 2018

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

推荐系统与人的交互

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。

Mar, 2017

公平且鲁棒的推荐系统攻防设计讨论

本篇论文讨论了推荐系统中的道德和社会问题，特别是 malicious user bias 所致的偏见和攻击对推荐模型的影响，强调了设计公平和稳定的推荐系统的重要性，尤其针对深度学习协同过滤推荐系统的脆弱性。

Sep, 2022

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

推荐作为治疗方案：去偏见化学习和评估

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

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

推荐系统中算法混淆如何增加同质性并降低效用

利用模拟，本研究论证了使用已暴露于推荐算法的用户数据对建立或评估推荐系统会构成反馈循环，同化用户行为但不提高实用价值。

Oct, 2017

基于协同过滤的多媒体推荐系统中的流行度偏差

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

升高声音：协作式推荐中的偏好偏差放大

本文研究了推荐系统中的个性化、校准、偏差差异等主题，检验了不同算法和物品类别之间的显著差异。

Sep, 2019