探索音乐推荐中的艺术家性别偏见
信息检索
2020-10-07 v2
摘要
音乐推荐系统(mRS)旨在向用户群体提供个性化且有意义的物品(即歌曲、播放列表或艺术家)推荐,从而反映并进一步补充个体用户的特定音乐偏好。尽管准确率指标已广泛应用于mRS文献中评估推荐效果,但从其他面向影响的视角(包括其潜在的歧视性)评估用户物品效用,在音乐领域仍属新颖的评估实践。在本工作中,我们聚焦于一种特定现象,并希望评估mRS是否会加剧其影响:性别偏见。我们的工作提出了一项探索性研究,分析常用的前沿协同过滤(CF)算法在何种程度上可能进一步增加或减少艺术家性别偏见。为评估CF引入的群体偏见,我们在两个收听事件数据集(LFM-1b数据集和较早构建的Celma数据集)上部署了近期提出的偏见差异度量。我们的工作将差异的成因追溯至输入性别分布与用户-物品偏好的变化,突出了此类配置在推荐生成后对用户性别偏见所能产生的影响。
引用
@article{arxiv.2009.01715,
title = {Exploring Artist Gender Bias in Music Recommendation},
author = {Dougal Shakespeare and Lorenzo Porcaro and Emilia Gómez and Carlos Castillo},
journal= {arXiv preprint arXiv:2009.01715},
year = {2020}
}
备注
Presented at the 2nd Workshop on the Impact of Recommender Systems (ImpactRS), at the 14th ACM Conference on Recommender Systems (RecSys 2020)