推荐系统排序列表对交互扰动的敏感性
信息检索
2022-08-17 v3 密码学与安全
机器学习
社会与信息网络
摘要
预测模型可能表现出对训练数据的敏感性：训练数据的微小改动可在测试时产生对单个数据点给出冲突预测的模型。本工作中，我们研究推荐系统中的此种敏感性，即用户推荐会因其他无关用户交互的轻微扰动而剧烈改变。我们引入一种推荐系统稳定性度量，称为排序列表敏感性（RLS），其衡量给定推荐系统在测试时生成的排序列表因训练数据中的扰动而发生的变化。我们开发一种方法 CASPER，利用级联效应识别最小且系统的扰动以诱发推荐系统更高不稳定性。在四个数据集上的实验表明，推荐模型对随机引入或通过 CASPER 引入的轻微扰动过度敏感——即便扰动某一用户的一个随机交互也会剧烈改变所有用户的推荐列表。重要的是，在 CASPER 扰动下，模型对低精度用户（即接收低质量推荐者）比高精度用户生成更不稳定的推荐。
引用
@article{arxiv.2201.12686,
title = {Rank List Sensitivity of Recommender Systems to Interaction Perturbations},
author = {Sejoon Oh and Berk Ustun and Julian McAuley and Srijan Kumar},
journal= {arXiv preprint arXiv:2201.12686},
year = {2022}
}
备注
Accepted for publication at: 31st ACM International Conference on Information and Knowledge Management (CIKM 2022). Code and data at: https://github.com/srijankr/casper