绕过流行度偏差：重新利用模型实现更好的长尾推荐

推荐系统在塑造我们在社交媒体或内容平台上遇到的信息方面起着至关重要的作用，从而影响我们的信念、选择和行为。许多近期工作致力于解决推荐系统中的公平性问题，通常关注确保所有个体用户或用户群体平等获取信息和机会、推广多样化内容以避免信息茧房和回音室、增强透明度和可解释性，以及遵循道德和可持续实践等主题。在这项工作中，我们旨在为在线内容平台上的内容发布者实现更公平的曝光度分配，特别关注那些制作高质量、长尾内容但可能受到不公平劣势的发布者。我们提出了一种新颖的方法，即重新利用工业推荐系统中的现有组件，为代表性不足的发布者提供有价值的曝光，同时保持高推荐质量。为了证明我们提案的有效性，我们进行了大规模在线AB实验，报告了表明预期结果的结果，并分享了在生产环境中长期应用该方法的一些见解。