输入性别输出性别：上下文感知推荐中用户属性的细致考察
机器学习
2022-07-29 v1
摘要
本文针对推荐系统社区当前关注的多样性、覆盖率、校准和数据最小化问题研究用户属性。在使用利用侧信息的常规上下文感知推荐系统的实验中，我们表明用户属性并非总能改善推荐。进而，我们证明用户属性会对多样性和覆盖率产生负面影响。最后，我们探究从训练数据“存活”到推荐系统生成的推荐列表中的用户信息的量。该信息是一种微弱信号，未来可能被用于校准或作为隐私泄露进一步研究。
引用
@article{arxiv.2207.14218,
title = {Gender In Gender Out: A Closer Look at User Attributes in Context-Aware Recommendation},
author = {Manel Slokom and Özlem Özgöbek and Martha Larson},
journal= {arXiv preprint arXiv:2207.14218},
year = {2022}
}