协同过滤推荐系统中多面偏差的管理
信息检索
2023-02-22 v1 机器学习
摘要
由于在线可用信息的广泛增长，推荐系统在满足人们兴趣方面发挥着更重要的作用。传统推荐系统大多采用以准确性为中心的方法生成推荐。当今研究表明，这种单维度方法可能导致系统对具有某些属性的一系列物品产生偏差。跨物品组的偏差化推荐会危及物品提供者的利益，并引起用户对系统的不满。本研究旨在管理最先进协同过滤推荐算法输出中，关于物品地理来源与受欢迎程度的一种新型交叉性偏差。我们提出了一种称为 MFAIR 的多面后处理偏差缓解算法，以减轻这些偏差。在电影和书籍两个真实世界数据集（已用物品的生产大洲信息扩充）上的大量实验表明，所提算法在准确性与上述两类偏差之间取得了合理平衡。根据结果，我们提出的方法优于一个知名竞品，且效率无损失或仅有轻微损失。
引用
@article{arxiv.2302.10575,
title = {Managing multi-facet bias in collaborative filtering recommender systems},
author = {Samira Vaez Barenji and Saeed Farzi},
journal= {arXiv preprint arXiv:2302.10575},
year = {2023}
}
备注
23 pages, 6 figures, 6 tables