缓解交互不平衡推荐中的流行度偏差：一种梯度视角
信息检索
2022-11-03 v1
摘要
推荐系统从历史用户-物品交互中学习，为目标用户识别偏好的物品。这些观测到的交互通常遵循长尾分布而不平衡。此类长尾数据导致流行度偏差，向用户推荐流行但非个性化的物品。我们提出一种梯度视角，以理解推荐模型优化中流行度偏差的两个负面影响：(i) 流行物品嵌入的梯度方向更接近正交互的方向；(ii) 流行物品的正梯度量级远大于非流行物品。为解决这些问题，我们提出一个简单而高效的框架，从梯度视角缓解流行度偏差。具体而言，我们首先归一化每个用户嵌入，并在模型训练中通过流行度偏差度量记录用户与物品的累积梯度。为解决流行度偏差问题，我们开发了模型测试中所用的基于梯度的嵌入调整方法。该策略具有通用性、与模型无关，并可无缝集成到大多数现有推荐系统中。我们在两个经典推荐模型和四个真实数据集上的大量实验证明了我们的方法相对于最先进去偏基线的有效性。
引用
@article{arxiv.2211.01154,
title = {Mitigating Popularity Bias in Recommendation with Unbalanced Interactions: A Gradient Perspective},
author = {Weijieying Ren and Lei Wang and Kunpeng Liu and Ruocheng Guo and Lim Ee Peng and Yanjie Fu},
journal= {arXiv preprint arXiv:2211.01154},
year = {2022}
}
备注
Recommendation System, Popularity Bias