勾勒线背后的故事：书籍推荐系统中的主题偏差研究

推荐系统帮助用户发现新内容，但也可能强化现有的偏差，导致不公平的曝光和减少的多样性。本文引入并研究了书籍推荐中的主题偏差，定义为对 certain book themes 的不成比例偏好或忽视。我们采用多阶段偏差评估框架，使用 Book-Crossing 数据集评估书籍推荐中的主题偏差及其对不同用户群的影响。我们的发现表明，主题偏差源于内容不平衡，并被用户参与模式放大。通过基于其主题偏好对用户进行分段，我们发现，具有 niche 和长尾兴趣的用户接收的个性化推荐较少，而具有多样化兴趣的用户接收的推荐更为一致。这些发现表明，推荐系统应谨慎设计以适应更广泛的用户兴趣。通过为负责任的 AI 目标做出贡献，本工作也为将主题偏差分析扩展到其他领域奠定了基础。