基于协同过滤的音乐推荐中的艺人与风格曝光偏差
信息检索
2019-11-13 v1
摘要
算法对我们所消费的音乐有着日益增长的影响，理解其行为对于确保系统对不同风格的所有艺人给予公平曝光至关重要。在这项进行中的工作中，我们从系统给出的艺人与音乐风格曝光角度分析协同过滤推荐的影响，为该研究方向做出贡献。我们首先考虑不同风格或流派的曝光情况分析推荐的分布，并将其与用户的听歌行为进行比较。该比较表明系统正在强化条目的流行度。随后，我们通过反馈循环模拟系统的长期效应。从该模拟中我们可以看到系统如何给大多数艺人更少的机会，将用户集中于更少的条目上。我们的分析结果证明了当前音乐推荐算法需要更好的评估方法，而不应仅限于以用户为中心的相关性指标。
引用
@article{arxiv.1911.04827,
title = {Artist and style exposure bias in collaborative filtering based music recommendations},
author = {Andres Ferraro and Dmitry Bogdanov and Xavier Serra and Jason Yoon},
journal= {arXiv preprint arXiv:1911.04827},
year = {2019}
}
备注
Presented at Workshop on Designing Human-Centric MIR Systems, ISMIR 2019