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
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
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
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
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