重连“接下来观看”推荐以减少激进化路径

推荐系统通常向用户推荐与其过去消费内容相似的内容。如果用户碰巧接触到高度两极分化的内容，她随后可能收到将其引向越来越激进内容的推荐，最终被困在我们所谓的“激进化路径”中。在本文中，我们研究使用基于图的方法缓解激进化路径的问题。具体而言，我们将“接下来观看”推荐系统的推荐集合建模为一个 d-正则有向图，其中节点对应内容项，链接对应推荐，路径对应可能的用户会话。我们将代表激进化内容的节点的“隔离”分数度量为其到任何代表非激进化内容节点的随机游走的期望长度。高隔离分数与用户陷入激进化路径的更大几率相关。因此，我们定义了通过选择少量边进行“重连”来减少激进化路径普遍性的问题，以最小化所有激进化节点中隔离分数的最大值，同时保持推荐的相关性。我们证明了寻找最优重连推荐集合的问题是 NP-hard 且在任何因子下均难以近似。因此，我们将注意力转向启发式方法，并提出了一种基于吸收随机游走理论的高效且有效的贪心算法。我们在视频和新闻推荐背景下的真实数据集上的实验证实了我们所提方法的有效性。