MMAug, 2022

探究音乐推荐模型和商业流媒体服务中的受欢迎度偏差

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 音乐推荐中的流行度偏见不公：一项可复现性研究

    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

  • 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

  • 推荐中的多维度暴露偏差

    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

  • 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

  • 基于协同过滤的多媒体推荐系统中的流行度偏差

    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

  • 大型语言模型作为推荐系统：流行偏见的研究

    研究探讨了大语言模型在推荐系统中对流行度偏差的贡献和缓解的机会，并提出了一种新的测量流行度偏差的指标，通过对电影推荐任务的比较发现，即使没有明确的缓解方法，大语言模型推荐系统仍然表现出较少的流行度偏差。

    Jun, 2024

  • 领域感知促进公平性：缓解音乐发现中的流行偏见

    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

  • 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

  • 基于用户的推荐系统流行度偏差评估

    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