利用个人流行度进行去偏推荐
信息检索
2024-02-22 v2
摘要
全局流行度（GP）偏差是指热门物品被推荐的频率远超其应有频率的现象，这违背了提供个性化推荐的目标，并损害了用户体验和推荐准确性。许多方法已被提出以减少GP偏差，但它们未能注意到GP的根本问题，即它从所有用户的全局视角考虑流行度，并使用单一的热门物品集，因此无法捕捉到个体用户的兴趣。因此，我们提出了一种用户感知的物品流行度版本，称为个人流行度（PP），它通过考虑具有相似兴趣的用户，为每个用户识别不同的热门物品。由于PP模拟了个体用户的偏好，它自然有助于产生个性化推荐并减轻GP偏差。为了将PP集成到推荐中，我们设计了一个通用的个人流行度感知反事实（PPAC）框架，该框架易于适应现有的推荐模型。特别地，PPAC认识到PP和GP对推荐既有直接影响也有间接影响，并使用反事实推断技术控制直接影响，以实现无偏推荐。所有代码和数据集可在https://github.com/Stevenn9981/PPAC获取。
引用
@article{arxiv.2402.07425,
title = {Debiasing Recommendation with Personal Popularity},
author = {Wentao Ning and Reynold Cheng and Xiao Yan and Ben Kao and Nan Huo and Nur AI Hasan Haldar and Bo Tang},
journal= {arXiv preprint arXiv:2402.07425},
year = {2024}
}
备注
Accepted by WWW'24 as a research full paper