May, 2023

选择合适的权重：在推荐系统中平衡价值、策略和噪声

PDF
TL;DR本文通过分析用户行为的不同方面，包括价值忠诚度、策略稳健度和噪音程度，研究了推荐系统中权重选择的最优策略，得出了对用户和内容生产者权重选择的指导，并讨论了如何在实践中选择权重。
recommender systemsoptimizationuser behaviorcontent producersweight selection
发现论文，激发创造
  • 推荐系统的消费者价值与商业价值平衡：基于模拟分析

    本文提出了一种基于代理模型的模拟框架，旨在帮助提供商探索不同推荐策略的纵向动态，以设计维持业务成功的平衡推荐策略，研究表明，在更多考虑客户效用的情况下，不忽视盈利能力的混合策略能够在长期中实现最高累计利润，同时社交媒体可以增强观察到的现象。

    Mar, 2022

  • 带有流行度偏差的排名：自我放大动态下的用户福利

    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

  • 多目标推荐的多元策略学习

    多目标权衡时，推荐系统中的标量化方法决定最终用于排序的加权平均奖励信号，本研究对该方法进行了扩展以优化长期用户保留或增长的综合奖励，使用连续多元动作空间的策略学习方法，并提出了修正措施，通过模拟、离线和在线实验验证了方法的有效性。

    May, 2024

  • 多行为推荐中的公平因果干预

    本文提出了一种基于因果框架、通过多种用户行为数据进行推荐，以消除流行度偏差并提高推荐公平性且不牺牲推荐准确性的方法。

    Sep, 2022

  • 设计公平的排名方案

    本文介绍了一种方法，帮助用户选择公平的准则权重，在多维空间中为一系列公平准则展示出满足这些准则的区域，如果不满足相应准则，提供最小的修改建议。实验证明，该系统能够有效地满足公平性要求。

    Dec, 2017

  • 权重学习：一种针对广告检索的代价敏感方法

    本文研究基于点击数据的检索模型，探讨在训练集中引入或忽略长尾查询 - 文档对的影响，提出了一种基于加权的策略用于学习长尾语义表示，并在必应赞助搜索和亚马逊产品推荐上进行实验。在线 A/B 测试结果显示，相比于不加权模型，点击率提高了 11.8％，反弹率降低了 8.2％，同时在亚马逊产品推荐数据上也略有提高。

    Nov, 2018

  • 推荐系统中基于策略代理的公平暴露优化进行成效去偏差

    在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

    Jun, 2024

  • 使用模拟用户来度量推荐系统的效果

    本文通过提出基于模拟框架的评估指标，研究了推荐系统中普遍存在的偏见与用户行为之间的关系，并通过经验案例研究了流行度偏见如何随时间展现。

    Jan, 2021

  • 推荐作为治疗方案：去偏见化学习和评估

    该研究提供了一种使用因果推论来处理选择偏差的方法，可实现对推荐系统的评估和训练，并获得实际数据上显着改善的预测效果。

    Feb, 2016

  • 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