多模态感知推荐系统的流行度偏差：一种模态驱动的剖析
信息检索
2023-08-25 v1
摘要
多模态感知推荐系统（MRSs）利用多模态内容（如商品图像或描述）作为物品的辅助信息以提升推荐准确性。尽管此类方法大多以分解模型（如 MFBPR）为基础架构，但已有研究表明 MFBPR 可能受到流行度偏差的影响，即其内在倾向于提升热门（即短头）物品的推荐，而以牺牲目录中的小众（即长尾）物品为代价。受此假设启发，本文提供了关于推荐中的多模态性如何进一步放大流行度偏差的首批分析之一。具体而言，我们在三个 Amazon 数据集上评估了四种最先进的 MRSs 算法（即 VBPR、MMGCN、GRCN、LATTICE）的性能，在推荐准确性指标之外，还考量了反映推荐物品多样性及所检索小众物品占比的绩效度量。为更深入探究该问题，我们研究了各模态（即视觉与文本）在不同评估维度上对流行度偏差的独立影响。结果表明单一模态可能加剧流行度偏差的负面效应，揭示了对此类模型性能进行更严谨分析的重要性。
引用
@article{arxiv.2308.12911,
title = {On Popularity Bias of Multimodal-aware Recommender Systems: a Modalities-driven Analysis},
author = {Daniele Malitesta and Giandomenico Cornacchia and Claudio Pomo and Tommaso Di Noia},
journal= {arXiv preprint arXiv:2308.12911},
year = {2023}
}