推荐系统与学生用户能动性：协同过滤信息的可达性

推荐系统通常依赖于为最大化用户偏好预测准确率而训练的模型。当系统被部署时，这些模型决定了不同用户可获取的内容与信息。这些目标之间的差距引发了 unintended consequences 的潜在可能，助长了如过滤气泡和极化等现象。在本工作中，我们透过用户 recourse 的视角直接考量信息可用性问题。利用可达性思想，我们提出了一种针对 top-$N$ 线性推荐模型的计算高效审计方法。此外，我们描述了模型复杂度与用户 exert control over 其推荐所需付出努力之间的关系。我们利用该见解为用户的冷启动问题提供新颖视角。最后，我们通过对在广泛使用电影评分数据集上训练的最先进模型进行实证调研来展示这些概念。