Mar, 2023

推荐系统中的精度、误校准和流行偏见研究

PDF
TL;DR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。
recommendation performanceinconsistencymetricsuser groupsgenres
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

  • 推荐系统中流行度偏差、校准和公平性之间的关联

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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