推荐系统中的度量优化与主流偏差缓解

本论文的第一部分侧重于最大化整体推荐准确率。该准确率通常使用针对推荐场景定制的某种面向用户的度量来评估，但由于推荐通常被视为机器学习问题，推荐模型被训练以最大化其他一些通用准则，这些准则不一定与面向用户的评估度量最终所捕获的准则一致。近期研究旨在通过直接排序优化来弥合训练与评估之间的这一差距，但仍假设用于评估的度量也应是用于训练的度量。我们挑战这一假设，主要原因在于某些度量比其他度量更具信息量。事实上，我们表明，通过受排序偏置精度（Rank-Biased Precision, RBP）启发的损失进行优化而训练的模型，往往能产生更高的准确率，即便准确率是用 RBP 以外的度量来衡量的。然而，这种受 RBP 启发的损失的优越性源于进一步惠及那些已经得到良好服务的用户，而非帮助那些未得到良好服务的用户。这一观察启发了本论文的第二部分，我们的关注点转向帮助非主流用户。这些用户难以被推荐，要么是因为没有足够的数据来建模，要么是因为他们有冷门偏好，从而在以协同方式进行推荐时可供参考的相似用户很少。这些主流性差异引入了一种偏差，表现为用户或用户群体之间的准确率差距，我们试图缩小这一差距。