Aug, 2023

领域感知促进公平性：缓解音乐发现中的流行偏见

PDF
TL;DR本研究旨在探索在线音乐平台上的流行度偏见问题，并提出了一种基于域感知和个体公平原则的方法来解决流行度偏见对基于图神经网络的音乐推荐系统的影响，以改善对新的和小众内容的发现。通过在冷启动设置下的评估结果表明，我们的方法在性能和推荐较不为人所知的内容方面优于现有的公平基准。
发现论文，激发创造
  • 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

  • 探究音乐推荐模型和商业流媒体服务中的受欢迎度偏差

    本文通过对三种最先进的推荐系统模型以及三种商用音乐流媒体服务的研究，尝试测量流行度偏见，发现准确度最高的模型（SLIM）也有最大的流行度偏见，而准确度较低的模型则有较少的流行度偏见。通过模拟用户实验，我们没有发现商业推荐存在流行度偏见的证据。

    Aug, 2022

  • 揭示大型语言模型的公正性评估中的偏见：音乐和电影推荐系统的重要文献综述

    研究了已存在的公平评估框架处理语言生成人工智能模型（特别是大型语言模型）的方法，聚焦于如何整合个性化因素，并发现现有的评估往往忽视个性化，从而间接地延续了不公平的做法，强调了对个性化的认识和更细致的公平评估的迫切需要，以促进人工智能社区的公平发展。

    Jan, 2024

  • 推进文化包容性：优化嵌入空间以实现平衡的音乐推荐

    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

  • 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

  • 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

  • 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