通过领域感知实现公平：缓解音乐发现中的流行度偏差
计算机与社会
2023-08-29 v1 信息检索
机器学习
摘要
随着在线音乐平台的成长，音乐推荐系统在帮助用户浏览和发现其庞大音乐数据库中的内容方面发挥着至关重要的作用。与这一更大目标相悖的是流行度偏差的存在，它导致算法系统偏爱主流内容，而非可能更相关但小众的项目。在本工作中，我们探究音乐发现与流行度偏差之间的内在关系。为缓解此问题，我们提出一种基于领域感知的个体公平方法，用于处理基于图神经网络（GNNs）的推荐系统中的流行度偏差。我们的方法利用个体公平来反映真实的聆听体验，即若两首歌曲听起来相似，这种相似性应体现在它们的表示中。由此，我们促进了有意义的音乐发现，其对于流行度偏差具有鲁棒性且扎根于音乐领域。我们将 BOOST 方法应用于两个基于发现的任务，在播放列表层面和用户层面进行推荐。然后，我们将评估置于冷启动设定下，表明我们的方法在性能和冷门内容推荐方面均优于现有的公平性基准。最后，我们的分析解释了为何我们所提方法是缓解流行度偏差并改善音乐推荐系统中新内容与小众内容发现的新颖且有前景的途径。
引用
@article{arxiv.2308.14601,
title = {Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery},
author = {Rebecca Salganik and Fernando Diaz and Golnoosh Farnadi},
journal= {arXiv preprint arXiv:2308.14601},
year = {2023}
}