探索基于会话的推荐中的流行度偏差

现有研究表明，针对用户-项目交互的推荐系统大规模离线评估容易受到部署系统本身造成的偏差影响，这是一种闭环反馈形式。许多研究采用倾向性概念来分析或缓解这一经验性问题。在本工作中，我们将分析扩展到基于会话的设置，并根据基于会话的推荐任务的独特特性调整了倾向性计算。我们的实验结合了神经模型和基于KNN的模型，并涵盖了音乐和电子商务领域。我们研究了不同数据集上倾向性的分布和不同的分层技术，发现倾向性相关特征实际上是数据集特定的。随后，我们利用分层效应，与原始模型相比取得了有前景的结果。