应对流行度分布变动的稳健协同过滤

Oct, 2023

应对流行度分布变动的稳健协同过滤

Robust Collaborative Filtering to Popularity Distribution Shift

An Zhang, Wenchang Ma, Jingnan Zheng, Xiang Wang, Tat-seng Chua

TL;DR该研究提出了一种简单而有效的消除偏见策略 PopGo，该策略通过量化和减少基于流行度表示的互动式快捷方式的程度，而无需对测试数据进行任何假设，在两个高性能的协同过滤模型（MF、LightGCN）上，PopGo 在四个基准数据集上显著超越了现有的消除偏见策略（例如 DICE、MACR）。

Abstract

In leading collaborative filtering (CF) models, representations of users and items are prone to learn popularity bias in the training data as shortcuts. The popularity shortcut tricks are good for in-distribution

collaborative filtering popularity bias debiasing strategies shortcut degrees popgo

发现论文，激发创造

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

消除推荐系统中流行度偏见的模型无关反事实推理

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

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

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

关于兴趣点推荐中活跃用户和流行度偏见的不公平性问题

该研究探讨了 Point-of-Interest 推荐系统中用户和商品的公平性问题，以及推荐结果的个性化和准确性的关系，结果表明不同种类的商品存在明显的公平性偏见，而多数推荐模型在满足用户和商品公平性方面存在权衡。

Feb, 2022

在线持续学习的自适应快速修正偏差

DropTop 提出了一种新颖的框架，可以抑制在线持续学习中的快捷方式偏差，并能够适应不断变化的环境所引起的不同程度的快捷方式偏差。通过观察到的快捷方式偏差的高关注特性，高度激活的特征被视为去偏差的候选项。此外，通过解决在线环境中缺乏先前的知识和辅助数据的限制，两种新技术 —— 特征图融合和自适应强度调整 —— 使我们能够自动确定适当的级别和候选快捷方式特征的比例要丢弃。在五个基准数据集上进行的大量实验证明，与各种在线持续学习算法相结合，DropTop 的平均准确率可以提高高达 10.4％，遗忘率减少高达 63.2％。

Dec, 2023

多行为推荐中的公平因果干预

本文提出了一种基于因果框架、通过多种用户行为数据进行推荐，以消除流行度偏差并提高推荐公平性且不牺牲推荐准确性的方法。

Sep, 2022

基于置信度的模型选择：何时为子集群转移采取捷径

本文提出 COnfidence-baSed MOdel Selection（CosMoS）方法，基于模型置信度动态选择不同强度的模型来在多数和少数子群体上实现高性能，并使用多个数据集验证其性能。

Jun, 2023

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

推荐系统中基于策略代理的公平暴露优化进行成效去偏差

在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

Jun, 2024