开启推荐系统人气偏差的黑盒子：可解释的缓解方法
信息检索
2025-08-26 v1
摘要
人气偏差是推荐系统中已知的挑战，其中少数受欢迎的物品获得不成比例的关注，而大多数不那么受欢迎的物品则被大大忽视。这种不平衡常常导致推荐质量下降和物品公平曝光不足。虽然现有缓解技术在某种程度上解决了这一偏差，但通常缺乏其运作方式的透明度。本文提出了一种后处理方法，利用稀疏自编码器（SAE）来解释和缓解深度推荐模型中的人气偏差。SAE经过训练，以复制预训练模型的行为，同时实现神经元水平的可解释性。通过引入对偏好更受欢迎或不那么受欢迎物品的合成用户，我们基于其激活模式识别编码人气信号的神经元。随后，我们调整最具偏差的神经元的激活，以引导推荐实现更公平的曝光。在两个公开数据集上使用序列推荐模型进行实验显示，我们的方法在最小影响准确性的同时显著提高了公平性。此外，它提供了可解释性和对公平性与准确性权衡的细粒度控制。
引用
@article{arxiv.2508.17297,
title = {Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems},
author = {Parviz Ahmadov and Masoud Mansoury},
journal= {arXiv preprint arXiv:2508.17297},
year = {2025}
}