协同过滤中从曝光到交互的流行度去偏

推荐系统常受流行度偏差困扰，即热门物品被过度推荐而以冷门物品为代价。现有研究普遍侧重于通过逆倾向加权、因果干预或对抗训练，确保各物品的推荐曝光数量相等或成比例。然而，增加冷门物品的曝光未必带来更多点击或交互，导致收益倾斜，无法实现真正合理的流行度去偏。本文提出一种流行度去偏新准则，即在一个无偏推荐系统中，热门与冷门物品均应获得与其喜好用户数成比例的的交互量，称为 IPL 准则。在该准则指导下，我们进一步提出带 IPL 正则项的去偏框架，理论上证明其在流行度去偏与推荐性能上可实现双赢。在四个公开数据集上的实验表明，当将两个代表性协同过滤模型接入本框架后，流行度偏差被有效缓解，同时维持了推荐性能。