重访推荐系统评估与有效性中的流行度与人口统计偏差
信息检索
2021-10-19 v1 人工智能
机器学习
摘要
推荐算法易受流行度偏差影响：即使热门物品不满足用户需求，也倾向于推荐它们。一个相关问题是推荐质量可能因人口统计群体而异。在训练数据中代表性不足或被边缘化的群体，可能比其他群体从这些算法获得相关性更低的推荐。在最近一项研究中，Ekstrand 等人调查了推荐性能如何随流行度和人口统计变化，并在两个数据集上发现二元性别间推荐效用的统计显著差异，以及一个数据集上基于年龄的显著效应。此处我们复现了这些结果并辅以额外分析进行扩展。我们发现按年龄和性别的推荐性能存在统计显著差异。我们观察到推荐效用随年长用户稳步下降，且女性低于男性。我们还发现来自数据集中代表性更高国家用户的效用更高。此外，我们发现总使用量和所消费内容的流行度是推荐性能的强预测因子，并且在各人口统计群体间也显著不同。
引用
@article{arxiv.2110.08353,
title = {Revisiting Popularity and Demographic Biases in Recommender Evaluation and Effectiveness},
author = {Nicola Neophytou and Bhaskar Mitra and Catherine Stinson},
journal= {arXiv preprint arXiv:2110.08353},
year = {2021}
}