滤镜气泡中的回声：诊断和治疗生成式推荐系统中的流行度偏差
信息检索
2026-05-29 v3 人工智能
摘要
最近，生成式推荐系统 (GR) 以统一的端到端框架展现出惊人的潜力， transforming 推荐范式。尽管其有效性显著，但我们意识到 GR 仍然容易受到推荐社区长期存在的流行度偏差问题。虽然已有少数研究尝试将传统去偏方法扩展到 GR，但其效果仍有限，而 GR 为何会遭受流行度偏差的根本原因仍未被充分探讨。为填补这一空白，本研究聚焦于 GR 的两个核心方面：生成框架的优化以及基于语义索引的项目标记化。基于理论分析，我们识别出严重的流行度偏差源于标记级别优化缺陷与项目标记化无差异属性的共同作用。因此，本研究开发了名为 Ghost 的新型生成式推荐系统，通过设计非对称的不可似然优化和基于骨架的标记化来缓解此问题。广泛的实证评估显示，Ghost 在三个数据集上显著缓解了流行度偏差，实现了更公平的推荐，同时对整体推荐效用仅造成轻微的性能下降。
引用
@article{arxiv.2605.16825,
title = {Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders},
author = {Jun Yin and Bangguo Zhu and Peng Huo and Ruochen Liu and Hao Chen and Senzhang Wang and Shirui Pan and Chengqi Zhang},
journal= {arXiv preprint arXiv:2605.16825},
year = {2026}
}