图书推荐中流行度偏差的不公平性

近期研究表明，推荐系统普遍受到流行度偏差的影响。流行度偏差是指热门物品（即被频繁评分的物品）被频繁推荐，而不太热门的物品很少或根本不被推荐的问题。研究者采用两种方法来考察流行度偏差：(i) 从用户视角，分析推荐系统在向用户推送热门物品时偏离用户期望的程度；(ii) 通过分析长尾物品获得的曝光量，以整体目录覆盖率和新颖性来衡量。本文在图书领域考察第一种视角，尽管相关发现也可能适用于其他领域。为此，我们分析了著名的 Book-Crossing 数据集，并根据用户对热门物品的偏好倾向（即小众型、多样型、畅销型）定义了三类用户群体。进一步，我们从准确性（如 NDCG、Precision、Recall）和流行度偏差两个视角评估了九种最先进的推荐算法以及两种基线（即 Random、MostPop）的性能。我们的结果表明，大多数最先进的推荐算法在图书领域都存在流行度偏差，并且尽管小众型和多样型口味用户具有更大的画像规模，仍无法满足其期望。相反，畅销型用户更有可能获得高质量推荐，无论是在公平性还是个性化方面。此外，我们的研究揭示了针对多样型和畅销型用户群体的推荐算法中个性化与流行度偏差不公平性之间的权衡，即个性化能力强的算法反而更易遭受流行度偏差的不公平性。