用于缓解流行度偏差的测试时嵌入归一化
信息检索
2023-09-04 v2 机器学习
摘要
流行度偏差是推荐系统领域中的一个普遍问题，其中热门物品往往主导推荐结果。在这项工作中，我们提出“测试时嵌入归一化”作为一种简单而有效的缓解流行度偏差的策略，其性能显著超越以往的缓解方法。我们的方法在推理阶段利用归一化的物品嵌入来控制嵌入幅值的影响，而该幅值与物品流行度高度相关。通过大量实验，我们表明，与以往偏差缓解方法相比，我们的方法结合采样 softmax 损失能有效降低流行度偏差。我们进一步研究了用户与物品嵌入之间的关系，发现嵌入之间的角度相似性能够区分偏好与非偏好物品，而与其流行度无关。该分析解释了我们的方法在消除流行度偏差影响方面取得成功背后的机制。我们的代码可在 https://github.com/ml-postech/TTEN 获取。
引用
@article{arxiv.2308.11288,
title = {Test Time Embedding Normalization for Popularity Bias Mitigation},
author = {Dain Kim and Jinhyeok Park and Dongwoo Kim},
journal= {arXiv preprint arXiv:2308.11288},
year = {2023}
}
备注
5 pages, CIKM 2023