基于协同过滤的多媒体推荐系统中的流行度偏差
信息检索
2022-03-02 v1 人工智能
摘要
多媒体推荐系统通过利用传统推荐系统（如协同过滤）的概念，向用户推荐媒体项目，例如歌曲、（数字）书籍和电影。在本文中，我们研究了此类基于协同过滤的多媒体推荐系统的一个潜在问题，即流行度偏差，它导致不流行项目在推荐列表中代表性不足。因此，我们研究了四个多媒体数据集，即 LastFm、MovieLens、BookCrossing 和 MyAnimeList，我们将每个数据集划分为三个用户组，这些用户组对流行度的倾向不同，即 LowPop、MedPop 和 HighPop。利用这些用户组，我们在项目层面和用户层面评估了四种基于协同过滤的算法在流行度偏差方面的表现。我们的发现有三方面：首先，我们表明对流行项目兴趣不大的用户往往拥有较大的用户画像，因此是多媒体推荐系统的重要数据来源。其次，我们发现流行项目比不流行项目被推荐的频率更高。第三，我们发现，对流行项目兴趣不大的用户收到的推荐质量显著低于对流行度有中等或高度兴趣的用户。
引用
@article{arxiv.2203.00376,
title = {Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems},
author = {Dominik Kowald and Emanuel Lacic},
journal= {arXiv preprint arXiv:2203.00376},
year = {2022}
}
备注
Accepted at BIAS Workshop at ECIR'2022