冷启动物品推荐中的继承式流行度偏差研究

协同过滤（Collaborative Filtering, CF）推荐系统在对未出现的或“冷”物品进行预测时常常力不够充分。旨在解决这一挑战的系统通常会借助温暖 CF 模型的监督信息，以利用可用交互数据中的协同信息和内容信息。然而，由于它们学习的是复制 CF 方法的行为，冷启动模型因此也可能学习模仿其预测偏差。在本文中，我们表明，冷启动系统可以继承流行度偏差，这是一种常见的推荐系统不公平原因，源于 CF 模型对更流行的物品过拟合，从而最大化用户导向的准确性，而忽视较少见的物品。我们展示，冷启动推荐系统不仅镜像温暖模型的流行度偏差，甚至受到的影响更严重：由于它们无法从交互数据中推断出流行度，因此仅凭内容特征尝试对其进行估计。这导致即使某些冷物品的真实流行度非常低，其内容与流行温暖物品相似，仍会被显著高估。在三个多媒体数据集上进行的实验中，我们分析了这种行为对三种生成式冷启动方法的影响。随后，我们描述了一种简单的后处理偏差缓解方法，通过将嵌入幅度作为预测流行度的代理变量，可在对用户导向的冷启动准确性造成有限损失的同时，产生更均衡的推荐。