FaiRIR：缓解双边平台中相关物品推荐的曝光偏差
信息检索
2022-04-04 v1 计算机与社会
摘要
相关物品推荐（RIR）在当今大多数在线平台中无处不在，包括电子商务和内容流媒体网站。这些推荐不仅帮助用户比较与给定物品相关的物品，还在为单个物品带来流量方面发挥重要作用，从而决定了不同物品所获得的曝光。随着越来越多的人依赖此类平台谋生，了解不同物品是否获得了其期望的曝光十分重要。为此，我们在多个真实世界 RIR 数据集上的实验揭示，现有的 RIR 算法常常导致物品曝光分布高度偏斜，而物品质量并非这种曝光偏斜的合理解释。为缓解此曝光偏差，我们在 RIR 流程中引入了多种灵活干预措施（FaiRIR）。我们以两种著名的构建相关物品推荐算法——rating-SVD 和 item2vec——实例化这些机制，并在真实世界数据上表明，我们的机制允许对曝光分布进行细粒度控制，通常以相关性（relatedness）和用户满意度衡量的推荐质量方面的小幅或无代价为条件。
引用
@article{arxiv.2204.00241,
title = {FaiRIR: Mitigating Exposure Bias from Related Item Recommendations in Two-Sided Platforms},
author = {Abhisek Dash and Abhijnan Chakraborty and Saptarshi Ghosh and Animesh Mukherjee and Krishna P. Gummadi},
journal= {arXiv preprint arXiv:2204.00241},
year = {2022}
}
备注
This work has been accepted as a regular paper in IEEE Transactions on Computational Social Systems 2022 (IEEE TCSS'22)