解决产品推荐中的营销偏差

现代协同过滤算法旨在通过揭示消费者-产品交互中的模式来提供个性化产品推荐。然而，这些交互可能受到产品营销方式的偏差影响，例如由于产品图像中特定人类模特的选择。这些相关性可能导致交互数据中特定利基市场的代表性不足；例如，一位可能喜欢摩托车产品的女性用户，如果摩托车产品使用刻板“男性”图像推广，则与之交互的可能性较低。在本文中，我们首先在两个真实世界电商数据集上研究用户交互反馈与产品营销图像之间的这种相关性。我们进一步考察了若干标准协同过滤算法对输入交互数据中消费者-产品市场细分分布的响应，揭示营销策略可能成为现代推荐系统的偏差来源。为保护在代表性不足市场细分上的推荐性能，我们开发了一个解决该潜在营销偏差的框架。定量结果表明，所提方法显著改善了不同市场细分间的推荐公平性，且推荐准确率的损失可忽略不计（或有所提升）。