通过代价敏感学习缓解推荐系统中的主流偏差
信息检索
2023-07-26 v1
摘要
主流偏差是指一些用户因其偏好不常见或仅因其活跃度较低而收到较差推荐的现象，这是推荐系统公平性方面需要考虑的一个重要问题。现有缓解主流偏差的方法并未显式建模这些非主流用户的重要性，或者即便建模，其方式也不一定与手头的数据和推荐模型相兼容。相比之下，我们使用推荐效用作为更通用且隐式的代理来量化主流程度，并提出了一种简单的用户加权方法，在将效用纳入训练过程的同时考虑潜在推荐错误的代价。我们提供了大量实验结果，表明通过效用量化主流程度能更好地识别非主流用户，并且当以代价敏感方式训练模型时，这些用户确实得到了更好的服务。这是在整体推荐精度可忽略或无损失的情况下实现的，意味着模型在用户间学到了更好的平衡。此外，我们表明，若在评估模型性能时未使用足够多的交互，此类在单个用户层面评估推荐质量的研究可能并不可靠。
引用
@article{arxiv.2307.13632,
title = {Mitigating Mainstream Bias in Recommendation via Cost-sensitive Learning},
author = {Roger Zhe Li and Julián Urbano and Alan Hanjalic},
journal= {arXiv preprint arXiv:2307.13632},
year = {2023}
}
备注
8 pages, 7 figures, accepted to ICTIR'23