不落下任何用户：提升推荐系统对非主流用户的效用

在协同过滤推荐场景中，数据中的偏差很可能会在学到的推荐结果中传播。本文关注所谓的主流偏差：推荐系统倾向于为具有主流品味的用户提供更优推荐，而非主流用户则相反。我们提出 NAECF，一个概念简单但有效的思路来解决该偏差。其思想在于使用基于文本的卷积神经网络学习用户与物品表示时，添加一个自编码器（AE）层。分别用于用户和物品的 AE，在学习如何推荐、最小化评分预测误差的过程中充当对抗者。它们强制要求所有用户与物品的特定独有属性在所学表示中得到充分纳入与保留。这些作为相应 AE 瓶颈提取出的表示，预期对主流用户的偏向更小，并为所有用户提供更为均衡的推荐效用。我们的实验结果印证了这些预期，在维持主流用户推荐质量的同时，显著改善了非主流用户的推荐。我们的结果强调了部署广泛基于内容的特征（如在线评论）以更好表示用户与物品、最大化去偏效果的重要性。