通过端到端自适应局部学习对抗主流偏差
信息检索
2024-04-16 v1 机器学习
摘要
基于协同过滤的推荐系统存在主流偏差问题——即主流用户相比小众用户更受青睐，导致许多长尾用户的推荐质量不佳。本文识别出这种主流偏差的两个根本原因：(i) 建模差异，即协同过滤算法侧重于建模主流用户，而忽略了具有独特偏好的小众用户；(ii) 学习不同步，即小众用户需要比主流用户更多的训练周期才能达到最佳性能。针对这些原因，我们提出了一种新颖的端到端自适应局部学习框架，为主流用户和小众用户提供高质量的推荐。TALL使用一个损失驱动的专家混合模块来自适应地集成专家，为不同用户提供定制的局部模型。此外，它还包含一个自适应权重模块，通过动态调整损失中的权重来同步不同用户的学习节奏。大量实验证明了所提模型的最先进性能。代码和数据见 \url{https://github.com/JP-25/end-To-end-Adaptive-Local-Leanring-TALL-}。
引用
@article{arxiv.2404.08887,
title = {Countering Mainstream Bias via End-to-End Adaptive Local Learning},
author = {Jinhao Pan and Ziwei Zhu and Jianling Wang and Allen Lin and James Caverlee},
journal= {arXiv preprint arXiv:2404.08887},
year = {2024}
}
备注
ECIR 2024