探索音乐推荐中的艺术家性别偏见
本文讨论了如何在音乐推荐系统中实现可解释性,以改善用户体验,包括讨论 XAI 的各种维度和目标,以及解释组件如何集成于 MRS,并讨论解释质量的要求和策略,最终提供研究展望。
Jan, 2022
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
研究表明推荐系统通常偏向于流行物品,造成不流行的物品在推荐中被低估,本文研究将 Abdollahpouri 等人的分析带入音乐推荐领域中,发现推荐算法在音乐领域也倾向于流行物品,最后在三组不同流行程度的使用者中比较准确性,发现低流行度群体的推荐表现最差。
Dec, 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
通过在嵌入空间中捕捉用户和歌曲的文化细微差别,我们提出了两种新的增强方法来解决音乐推荐中的流行度偏见,从而减少了流行度偏见并提高了人群和文化的公平性。
May, 2024
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
研究了已存在的公平评估框架处理语言生成人工智能模型(特别是大型语言模型)的方法,聚焦于如何整合个性化因素,并发现现有的评估往往忽视个性化,从而间接地延续了不公平的做法,强调了对个性化的认识和更细致的公平评估的迫切需要,以促进人工智能社区的公平发展。
Jan, 2024