音乐推荐中的流行度偏见不公：一项可复现性研究
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
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
本文通过对三种最先进的推荐系统模型以及三种商用音乐流媒体服务的研究，尝试测量流行度偏见，发现准确度最高的模型（SLIM）也有最大的流行度偏见，而准确度较低的模型则有较少的流行度偏见。通过模拟用户实验，我们没有发现商业推荐存在流行度偏见的证据。
Aug, 2022
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
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
本研究旨在探索在线音乐平台上的流行度偏见问题，并提出了一种基于域感知和个体公平原则的方法来解决流行度偏见对基于图神经网络的音乐推荐系统的影响，以改善对新的和小众内容的发现。通过在冷启动设置下的评估结果表明，我们的方法在性能和推荐较不为人所知的内容方面优于现有的公平基准。
Aug, 2023