推荐系统中流行度偏差、校准和公平性之间的关联

MMAug, 2020

推荐系统中流行度偏差、校准和公平性之间的关联

The Connection Between Popularity Bias, Calibration, and Fairness in Recommendation

Himan Abdollahpouri, Masoud Mansoury, Robin Burke, Bamshad Mobasher

TL;DR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。

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 that

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

发现论文，激发创造

流行度偏见对推荐的公平性和校准性的影响

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

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

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

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

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

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

打破定型：一个统一框架用于审视推荐系统中的误判、偏见和刻板印象

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

面向用户的推荐公平性

本文基于用户视角，探讨推荐系统中存在的不公平问题，提出使用重新排序的方法来减轻推荐系统在活跃用户和非活跃用户之间的质量偏差问题，从而提高系统的公平性和整体推荐性能。

Apr, 2021