通过 AUC 最优负采样降低推荐系统中的流行度偏差
信息检索
2023-06-05 v1
摘要
流行度偏差是与推荐系统相关的持久问题，对公平性与效率均构成挑战。现有文献广泛认为，降低流行度偏差往往需要牺牲推荐准确性。在本文中，我们挑战这一普遍看法。我们在一般偏差-方差分解框架下的分析表明，在某些条件下，降低偏差实际上可带来模型性能的提升。为实现这一双赢局面，我们提出通过负采样干预模型训练，从而修正模型预测。具体而言，我们提供了一种最优负采样规则，其最大化部分 AUC 以保留任意给定模型的准确性，同时以灵活且有原则的方式修正样本信息与先验信息，从而降低流行度偏差。我们在真实世界数据集上的实验结果证明了我们的方法在提升推荐性能与降低流行度偏差方面的优越性。
引用
@article{arxiv.2306.01348,
title = {Reducing Popularity Bias in Recommender Systems through AUC-Optimal Negative Sampling},
author = {Bin Liu and Erjia Chen and Bang Wang},
journal= {arXiv preprint arXiv:2306.01348},
year = {2023}
}
备注
20 pages