流行度偏差并非总是有害：解耦推荐中的良性与有害偏差

推荐系统通常遭受严重的流行度偏差——收集的交互数据在物品上常呈现极不均衡甚至长尾分布。此种偏斜分布可能源于用户对群体的从众，偏离了对用户真实偏好的反映。现有应对该问题的努力主要聚焦于完全消除流行度偏差。然而，我们认为并非所有流行度偏差都是有害的。流行度偏差不仅来自从众，也来自物品质量，而后者常被现有方法忽略。一些物品因具有内在更优属性而表现出更高流行度。盲目去除流行度偏差会丢失这一重要信号，并进一步恶化模型性能。为充分利用此类重要信息用于推荐，关键在于将物品质量引起的良性流行度偏差与从众引起的有害流行度偏差解耦。尽管重要，这颇具挑战，因为我们缺乏显式信号来区分流行度偏差的这两类因素。本文中，我们提出利用时间信息，因为两因素沿时间呈现迥异模式：揭示物品固有属性的物品质量稳定且静态，而依赖于物品近期点击量的从众则高度时间敏感。相应地，我们进一步提出一种新颖的时序感知解耦框架（TIDE），其中一次点击由三部分生成，即静态物品质量、动态从众效应，以及任意推荐模型返回的用户-物品匹配分数。最后，我们进行干预式推断，使推荐能受益于良性流行度偏差而规避有害偏差。在三个真实数据集上的大量实验证明了 TIDE 的有效性。