一烤两层蛋糕：基于强化学习的第三方库推荐中的 Popularity Bias 与 Cold-start 问题解决方案
摘要
第三方库 (TPL) 已成为现代软件开发中不可或缺的组成部分，显著提升了开发者生产力并加速了开发周期。然而，在快速增长且持续演变的 TPL 库中识别合适候选对象 remains a 挑战。TPL 推荐系统已获实践，提供了解决此问题的有前景的途径。它们通常依赖于协同过滤 (CF)，该方法在推荐场景中利用二维项目-用户矩阵 (一般语境下的 user-item 矩阵) 进行推荐。我们注意到，基于 CF 的方法常遇到两个挑战：(i) 倾向于更频繁地推荐热门物品，使其更具主导地位，称为 popularity bias；(ii) 难以为新用户或新物品生成推荐，因为用户-物品交互有限，称为 cold-start 问题。本文提出一种基于强化学习 (RL) 的方法，以解决 TPL 推荐中的 popularity bias 与 cold-start 问题。该方法包含三个关键组件：首先，我们利用基于图卷积网络 (GCN) 的嵌入模型学习用户偏好与用户-物品交互，捕捉交互子图中的复杂关系，有效表示新用户/新物品的嵌入；其次，我们引入聚合算子，从用户嵌入和物品嵌入中生成代表性嵌入，用于建模 cold-start 用户；最后，我们采用基于模型的 RL 框架进行 TPL 推荐，通过精心设计的奖励函数和稀有性基的经验回放缓冲区分区策略缓解 popularity bias。结果表明，我们的方法在 cold-start 场景下优于最先进的模型，同时有效缓解了 popularity bias 的影响。
引用
@article{arxiv.2504.13772,
title = {Bake Two Cakes with One Oven: RL for Defusing Popularity Bias and Cold-start in Third-Party Library Recommendations},
author = {Minh Hoang Vuong and Anh M. T. Bui and Phuong T. Nguyen and Davide Di Ruscio},
journal= {arXiv preprint arXiv:2504.13772},
year = {2025}
}
备注
The paper has been peer-reviewed and accepted for publication in the proceedings of the 29th International Conference on Evaluation and Assessment in Software Engineering (EASE 2025)