基于项目的变分自编码器用于公平音乐推荐
信息检索
2022-11-03 v1 计算机与社会
机器学习
摘要
我们展示了针对 EvalRS DataChallenge 的解决方案。EvalRS DataChallenge 旨在构建更贴近现实的推荐系统，在评估中兼顾准确性、公平性与多样性。我们提出的系统基于基于项目的变分自编码器（VAE）与贝叶斯个性化排序矩阵分解（BPRMF）的集成。为缓解流行度偏差，我们对每个流行度分组使用基于项目的 VAE，并加入额外的公平性正则化。为使推荐在预测不准确时仍合理，我们将 BPRMF 的推荐列表与基于项目的 VAE 的推荐列表相结合。通过实验，我们证明带公平性正则化的基于项目的 VAE 相比基于用户的 VAE 显著降低了流行度偏差。基于项目的 VAE 与 BPRMF 的集成使得即便预测不准确，top-1 物品也与真实值相似。最后，基于大量实验的反思，我们提出“基于系数方差的公平性”作为一种新颖的评估指标。
引用
@article{arxiv.2211.01333,
title = {Item-based Variational Auto-encoder for Fair Music Recommendation},
author = {Jinhyeok Park and Dain Kim and Dongwoo Kim},
journal= {arXiv preprint arXiv:2211.01333},
year = {2022}
}
备注
6pages, CIKM 2022 Data challenge