基于用户的推荐系统流行度偏差评估
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
本文通过使用多个推荐算法和音乐、电影两个领域的公开数据集,实证了推荐算法的内在流行度偏差以及这种偏差对用户和项目供应商等不同利益相关者的影响,并提出了从不同利益相关者的角度衡量推荐算法暴露偏差的度量方法。
Jun, 2020
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
本文介绍了一种基于个性化多样化重新排序的方法,以增加不受欢迎的项目在推荐中的表现,同时保持良好的推荐准确性,并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效,同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。
Jan, 2019
本研究提出了一个推荐机制,研究了不同算法对用户福利的影响,发现流行度偏见、项目质量和位置偏见可以影响用户选择,通过模拟研究,证明了该算法在可变环境下的有效性及其能够保证高效的后悔性保证。
May, 2023
研究推荐系统中的流行度偏差问题,提出了一种新的训练和推断范式,名为流行度偏差去混淆与调节,通过因果干预去除模型训练中的混淆流行度偏差并在推荐时调整推荐得分以提高推荐准确性。
May, 2021