用于减少多地区视频推荐中流行度偏差的多任务学习
信息检索
2023-10-06 v1 机器学习
摘要
在多地区个性化推荐系统中自然产生的各种数据不平衡，会导致对全球盛行项的显著物品偏差。一个局部流行项可能被全球盛行项所掩盖。此外，用户观看模式/统计在不同地理位置间可能剧烈变化，这提示需学习特定的用户嵌入。本文提出一种多任务学习（MTL）技术，辅以自适应上采样方法，以减少多地区推荐中的流行度偏差。我们提出的框架旨在通过上采样用活跃用户表征丰富训练样本，并能够利用 MTL 学习基于地理的用户嵌入。通过实验，我们证明了该框架在多个地区相较未采用所提技术的基线更有效。值得注意的是，我们展示了 PR-AUC 指标上高达 的相对增益提升。案例研究展示了我们的方法在削弱全局项流行度偏差方面的优势。
引用
@article{arxiv.2310.03148,
title = {Multi-Task Learning For Reduced Popularity Bias In Multi-Territory Video Recommendations},
author = {Phanideep Gampa and Farnoosh Javadi and Belhassen Bayar and Ainur Yessenalina},
journal= {arXiv preprint arXiv:2310.03148},
year = {2023}
}
备注
Recsys CARS 2023 Workshop paper