推荐系统中准确性、校准偏差与流行度偏差的研究
信息检索
2023-03-02 v1 人工智能
机器学习
摘要
近期研究提出了不同指标来衡量推荐性能的不一致性，包括用户组间的准确性差异、校准偏差和流行度提升。然而，将校准偏差和流行度提升与不同用户组的推荐准确性关联起来的研究仍然缺失。此外，特定流派是否导致用户组间推荐性能不一致的出现尚不清楚。本文针对偏好流行内容程度不同的用户组，对五种知名推荐算法的这三个方面进行分析。此外，我们研究不同流派如何影响推荐性能的不一致性，以及这与流派流行度的关系。利用来自 LastFm、MovieLens 和 MyAnimeList 的数据，我们给出两个关键发现。首先，我们发现对流行内容兴趣较小的用户获得最差的推荐准确性，且这与校准偏差和流行度提升相一致。其次，我们的实验表明特定流派对推荐性能不一致的贡献程度不同，尤其在 MyAnimeList 数据集的校准偏差方面。
引用
@article{arxiv.2303.00400,
title = {A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations},
author = {Dominik Kowald and Gregor Mayr and Markus Schedl and Elisabeth Lex},
journal= {arXiv preprint arXiv:2303.00400},
year = {2023}
}
备注
Accepted at BIAS@ECIR WS 2023