测试时间嵌入规范化用于人气偏见缓解
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
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
通过在嵌入空间中捕捉用户和歌曲的文化细微差别，我们提出了两种新的增强方法来解决音乐推荐中的流行度偏见，从而减少了流行度偏见并提高了人群和文化的公平性。
May, 2024
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
通过提出多任务学习技术和自适应上采样方法来减少多领域推荐中的受欢迎度偏差，提出的方法通过上采样来丰富训练样例，并通过利用多任务学习来学习基于地理位置的用户嵌入，实验证明了方法在多个地域上相对于不采用提出的技术的基准模型的有效性，显著改进了 PR-AUC 指标高达 65.27%，并通过案例研究展示了方法在减轻全局物品的受欢迎度偏差方面的优势。
Sep, 2023
本文研究了通过使用嵌入归一化来消除推荐系统中存在的流行偏差和训练不稳定性；通过对四个真实世界数据集的实验证明，将用户 / 项目嵌入归一化到一个特定的值可以显着提高性能。但是，这种方法高度依赖于温度 tau 的选择，因此本文还提出了一种自适应的方法来设置合适的 tau 参数，以达到更好的性能。
Feb, 2023
研究了在推荐系统中普遍使用的一种做法，即对物品嵌入进行平均以表示用户或更高级别的概念，提出了一种期望精确度评分来衡量平均嵌入与其构建所使用的物品的一致性，并通过理论模型和真实世界的音乐流媒体数据分析了该评分的数学表达式以及实证行为，结果强调了真实世界数据的平均值对于推荐的不一致性，为进一步研究如何更好地使真实世界嵌入与我们的理论模型假设相一致打下了基础。
Aug, 2023
该研究针对基于会话的推荐模型存在的流行度偏向问题，提出使用规范化嵌入表示方法，结合图神经网络来更好地支持复杂的推荐场景，实验证明效果显著。
Sep, 2019
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
通过因果推断的方法，该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路，并采用多任务学习和反事实推断来实现此方案，有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。
Oct, 2020