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
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
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
本研究考虑不同推荐算法对不同用户偏好的响应度进行测量,并揭示了算法中流行度偏差可能是导致推荐偏差的重要因素。两个真实数据集的实验结果表明,用户群体受到算法中流行度偏差程度与他们对流行物品的兴趣程度之间存在关联,并且受到算法中流行度偏差影响越大,他们的推荐结果就越有偏差。
Aug, 2020
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。
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
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
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
本文为乘用侧公平在推荐系统中的研究提供了系统的概览和讨论,并提出了一种基于高级公平解释的新型分类方法,用于对研究及其提出的公平评价指标进行分类,最后提出了该领域未来的一些方向建议。
May, 2023