Aug, 2023

捕捉流行趋势：一种简单的非个性化方法来增强项目推荐

PDF
TL;DR通过对物品的流行程度进行建模，Popularity-Aware Recommender (PARE) 能够提供非个性化推荐方法，以作为现有推荐系统的补充。PARE 的四个模块分别关注流行历史、时间影响、周期影响和附加信息，并通过注意力层将四个模块的输出进行融合，实验证明 PARE 在性能上能与现有推荐方法媲美甚至更好。此外，PARE 的简化设计使其在工业应用中具有极高实用性，并可作为未来研究的宝贵基线。
发现论文，激发创造
  • PP-Rec: 新闻推荐与个性化用户兴趣和时间感知新闻热度

    本文提出了一种个性化新闻推荐方法，它通过将新闻的热门信息和用户兴趣结合，从而解决了针对新用户和兴趣多样化的问题，提高了推荐的准确性和多样性。

    Jun, 2021

  • 协同推荐中的流行度去偏差：连接用户和物品视角

    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

  • 通过个性化重新排序管理推荐系统中的流行度偏差

    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

  • 对抗热度偏差的流行度感知对齐与对比

    通过实证分析流行度偏见并提出了面向流行度偏见的对齐和对比模块来解决两个挑战，即从流行物品中提取通用监督信号以改进不受欢迎物品的表示，并从流行度视角提出重新加权的对比学习损失以减轻表示分离。

    May, 2024

  • 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

  • 利用流行偏见进行因果干预的推荐

    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

  • PARSRec：基于会话部分动作的可解释个性化注意力融合循环顺序推荐

    本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提升。

    Sep, 2022

  • 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

  • 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

  • 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