推荐系统中多因素偏差的不公平性

流行度偏差和正偏差是推荐系统中两个主要的偏差来源。两者均源于输入数据，经由推荐模型传播，并导致不公平或次优的结果。流行度偏差发生在少部分物品获得大部分交互时，而正偏差则源于高评分值的过度代表。尽管每种偏差已被独立研究，但它们的组合效应（我们称之为多因素偏差）仍有待探索。在本研究中，我们考察了多因素偏差如何影响物品侧公平性，重点关注曝光偏差，即推荐输出中物品可见性的不平等。通过仿真研究，我们发现正偏差不成比例地集中在流行物品上，进一步放大了它们的过度曝光。受此启发，我们采用基于百分位的评分转换作为预处理策略来缓解多因素偏差。在四个公开数据集上使用六种推荐算法的实验表明，该方法在准确率几乎无损的情况下提升了曝光公平性。我们还证明，将此预处理步骤集成到后处理公平性流程中可提升其有效性与效率，以更低的计算成本实现相当或更好的公平性。这些发现凸显了解决多因素偏差的重要性，并展示了简单的、数据驱动的预处理方法在提升推荐系统公平性方面的实用价值。