推进文化包容性：优化嵌入空间以实现均衡的音乐推荐

音乐推荐系统中的流行度偏差——即播放量最高的艺术家和曲目被更频繁推荐——也会沿人口和文化轴传播偏差。本文在基于原型的矩阵分解方法中识别了这些对来自代表性不足文化群体的艺术家的偏差。与传统的矩阵分解方法不同，基于原型的方法是可解释的。这使我们能够直接将观察到的对少数群体艺术家的推荐偏差（结果）与嵌入空间的特定属性（原因）联系起来。我们通过捕捉用户和歌曲在嵌入空间中的文化细微差别来缓解音乐推荐中的流行度偏差。为应对这些挑战同时保持推荐质量，我们提出了两种嵌入空间的新颖增强：i) 我们提出了一种方法，过滤掉用于表示每个用户和物品的无关原型，以提高泛化能力；ii) 我们引入了正则化技术，以加强原型在嵌入空间中的更均匀分布。我们的结果表明，在减少流行度偏差和增强音乐推荐的人口与文化公平性方面取得了显著改善，同时实现了具有竞争力（甚至更好）的整体性能。