Jul, 2023

BHEISR: 从偏见到平衡的引导 - 通过消除基于知识的推荐中的意识形态隔离促进信念和谐

PDF
TL;DR通过引入创新的中介机构（BHEISR）在个性化推荐系统中，以减轻筛选气泡效应带来的负面影响，同时在用户间取得信仰平衡的目标下，该模型利用用户特定类别信息激发好奇心，鼓励用户拓宽观点，并验证了其对筛选气泡的缓解和平衡用户视角方面的卓越性能。
发现论文，激发创造
  • 基于偏差隐式反馈的双边自我无偏差学习

    提出一种新的无偏向推荐算法 BISER（BIlateral SElf-unbiased Recommender），使用自反倾向权重（SIPW）和双边无偏学习（BU）相结合减少推荐模型对物品的曝光偏差和流行度偏差。经过多次实验证明，BISER 在多个数据集上比现有无偏向推荐算法表现更优。

    Jul, 2022

  • 社交推荐中调节社会影响偏见的因果解缠

    本文提出了一种基于因果解缠的社交推荐系统，名为 CDRSB，用于改进推荐性能。实验结果表明，与现有方法相比，CDRSB 在四个大规模真实世界数据集上的效果更好，解决了社交推荐系统面临的社交影响偏差问题。

    Mar, 2024

  • 突破科学过滤泡沫：通过新型作者发现推动创新

    通过 Bridger 系统的算法筛选、构建学者特征，实现了学者发现与相关工作信息检索，拓宽了学术领域内的沟通与合作，对推动科学创新和学科发展有重要意义。

    Aug, 2021

  • 一个关注公平性的混合推荐系统

    本研究提出使用基于概率编程语言的混合公平意识推荐系统，以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐，同时解决了推荐偏见问题。与最先进的公平推荐系统相比，实验结果表明，我们的模型可以提供更准确、更公平的推荐。

    Sep, 2018

  • 推荐系统中的偏差差异

    本研究在合成数据上进行了初步的实验研究，在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡，并对实际数据的数据失衡进行了一些观察。

    Nov, 2018

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 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

  • 去偏推荐算法与噪音数据

    本文研究了推荐系统中用户对大多数物品的评级通常是非随机缺失，并提出了三种解决该问题的方法，分别是基于错误插补的方法（EIB）、倒数概率加权方法（IPS）和双重稳健方法（DR）。然而，这些方法忽略了另一种由观察到的评级和用户真实偏好之间不一致性所引起的偏差，即嘈杂反馈或结果测量误差。本研究进一步提出了一种交叉威胁的观点，旨在解决从缺失非随机数据和有噪声数据中学习预测模型的问题，并通过实验证明了所提方法的有效性。

    Jun, 2024

  • 推荐与用户代理：合作过滤信息的可达性

    本研究从用户可控性的角度，通过可达性理论，提出了一种用于检测顶部线性推荐模型的计算有效的审核方法，并描述了模型复杂度与用户控制推荐工作的关系，同时探讨了使用领先的电影评级数据集训练的现有模型的实证调查。

    Dec, 2019

  • 用行为语义融合学习适应用户偏好漂移的工作推荐

    通过融合语义和行为信息的学习方法，提出了一种创新的基于会话的框架 BISTRO，以准确地捕捉用户偏好的变化，并在职业推荐中取得显著的性能。

    Jun, 2024