流行度偏差的演化：实证研究与被偏修正

流行度偏差是推荐系统中一个长期存在的挑战。这种偏差对用户和物品提供方都产生有害影响，许多工作致力于研究并解决该偏差。然而，大多数现有工作将这一问题置于静态设定中，仅利用日志数据对单轮推荐分析偏差。这些工作未能考虑真实世界推荐过程的动态本质，留下若干重要研究问题未解：在动态场景中流行度偏差如何演化？动态推荐过程中独特因素对偏差有何影响？以及如何在这一长期动态过程中去偏？在本工作中，我们旨在填补这些研究空白。具体而言，我们通过仿真实验进行实证研究以分析动态场景中的流行度偏差，并提出一种动态去偏策略以及一种利用假阳性信号去偏的新颖假阳性校正方法，该方法在大量实验中展现出有效性能。