从洞察到干预：用于控制推荐系统流行度偏差的可解释神经元引导
信息检索
2026-01-29 v2
摘要
流行度偏差是推荐系统中一个普遍存在的挑战，少数热门项目占据了大部分注意力，而大多数不太流行的项目则曝光不足。这种不平衡会降低推荐质量并导致项目曝光不公平。尽管现有的缓解方法在一定程度上解决了这一问题，但它们在运作机制上往往缺乏透明度。在本文中，我们提出了一种事后方法 PopSteer，该方法利用稀疏自编码器（SAE）来解释和缓解推荐模型中的流行度偏差。SAE 经过训练以复制已训练模型的行为，同时实现神经元级别的可解释性。通过引入对热门或冷门项目具有强烈偏好的合成用户，我们通过神经元的激活模式识别出编码流行度信号的神经元。随后，我们通过调整偏差最大的神经元的激活值来引导推荐。在三个公开数据集上使用序列推荐模型进行的实验表明，PopSteer 在对准确性影响极小的情况下显著提升了公平性，同时提供了可解释的洞察，并对公平性与准确性的权衡实现了细粒度控制。
引用
@article{arxiv.2601.15122,
title = {From Insight to Intervention: Interpretable Neuron Steering for Controlling Popularity Bias in Recommender Systems},
author = {Parviz Ahmadov and Masoud Mansoury},
journal= {arXiv preprint arXiv:2601.15122},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2508.17297