安全协同过滤

优异的尾部性能对现代机器学习任务至关重要，例如算法公平性、类别不平衡和风险敏感决策，因为它确保了对数据集中困难样本的有效处理。尾部性能也是个性化推荐系统成功的关键决定因素，可降低失去低满意度用户的风险。本研究引入一种“安全”协同过滤方法，该方法优先关注满意度较低用户的推荐质量，而非聚焦于平均性能。我们的方法最小化了条件风险价值(CVaR)，其表示用户损失尾部上的平均风险。为克服大规模网络推荐系统的计算挑战，我们开发了一种鲁棒且实用的算法，扩展了最具可扩展性的方法——隐式交替最小二乘(iALS)。在真实世界数据集上的实证评估表明，我们的方法在保持有竞争力的计算效率的同时，具有优异的尾部性能。