会话推荐系统中的流行度偏差量化与缓解
信息检索
2022-08-23 v2
摘要
会话推荐系统（CRS）通过多轮交互循环精确捕捉用户当前且细致的偏好，同时有效引导用户获得更个性化的推荐，已展现出巨大成功。或许令人惊讶的是，与传统推荐系统类似，会话推荐系统也会受到流行度偏差的困扰。本文系统性地研究了CRS中的流行度偏差问题。我们从曝光率、成功率和会话效用三个角度证明了现有最先进CRS中存在流行度偏差，并提出了一套专为CRS场景设计的流行度偏差度量指标。随后我们引入了一个具有三个独特特征的去偏框架：（i）流行度感知聚焦学习，以降低流行度对偏好预测的扭曲影响；（ii）通过属性映射的冷启动物品嵌入重建，以改进对冷启动物品的建模；（iii）双策略学习，以在处理热门或非热门物品时更好地引导CRS。通过在两个常用CRS数据集上的大量实验，我们发现所提出的与模型无关的去偏框架不仅缓解了最先进CRS中的流行度偏差，还提升了整体推荐性能。
引用
@article{arxiv.2208.03298,
title = {Quantifying and Mitigating Popularity Bias in Conversational Recommender Systems},
author = {Allen Lin and Jianling Wang and Ziwei Zhu and James Caverlee},
journal= {arXiv preprint arXiv:2208.03298},
year = {2022}
}
备注
to appear in CIKM22