KDDMay, 2024

对抗热度偏差的流行度感知对齐与对比

PDF
TL;DR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。
collaborative filteringpopularity biasrecommendation systemssupervisory signalscontrastive learning loss
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

  • 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

  • 应对流行度分布变动的稳健协同过滤

    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）。

    Oct, 2023

  • 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

  • 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

  • 基于邻居流行度的协同过滤分析

    本文分析了一种基于协作过滤的推荐算法的性能，考虑了单次推荐的误差概率，并通过数学模型的分析，确定了算法的三个操作区间以及性能表现，同时提供了 MovieLens 和 Netflix 数据集的实证结果。

    Jun, 2010

  • 带有流行度偏差的排名：自我放大动态下的用户福利

    本研究提出了一个推荐机制，研究了不同算法对用户福利的影响，发现流行度偏见、项目质量和位置偏见可以影响用户选择，通过模拟研究，证明了该算法在可变环境下的有效性及其能够保证高效的后悔性保证。

    May, 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

    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。

    Aug, 2023

  • 基于协同过滤的多媒体推荐系统中的流行度偏差

    研究多媒体推荐系统的协作过滤算法，并发现其中的流行度偏差问题，导致推荐列表中较不受欢迎的项目被低估。通过对 LastFm、MovieLens、BookCrossing 和 MyAnimeList 等数据集进行研究，结果表明对普及度不高的项目感兴趣的用户的推荐体验要比对普及度中等和高的项目感兴趣的用户的推荐体验更差。

    Mar, 2022

  • 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