图卷积如何放大推荐中的流行度偏差？

图卷积网络（GCNs）因在建模协同模式上的优越性而在推荐系统（RS）中变得普遍。尽管提升了整体准确率，GCNs不幸放大了流行度偏差——长尾物品被推荐的可能性更低。该效应阻碍了基于GCN的RS做出精确且公平的推荐，长期降低了推荐系统的有效性。本文研究图卷积如何放大RS中的流行度偏差。通过理论分析，我们识别出两个基本因素：（1）在图卷积（即邻域聚合）下，流行物品比长尾物品对相邻用户施加更大影响，使用户在表示空间中向流行物品移动；（2）经过多次图卷积后，流行物品会影响更多高阶邻居并变得更具影响力。这两点使流行物品接近几乎所有用户，从而被更频繁地推荐。为纠正此问题，我们提出估计流行节点对每个节点表示的放大效应，并在每次图卷积后干预该效应。具体而言，我们采用聚类发现高影响节点并估计每个节点的放大效应，然后在每一图卷积层从节点嵌入中移除该效应。我们的方法简单且通用——它可用于推理阶段校正现有模型而非从头训练新模型，并可应用于多种GCN模型。我们在两个代表性GCN骨干LightGCN和UltraGCN上验证了我们的方法，证实其在不牺牲流行物品性能的前提下提升长尾物品的推荐效果。代码已开源。