面向更绿色商品推荐的碳足迹感知推荐系统

商品化和广泛使用的在线购物对气候产生前所未有的影响，其关键参与者的排放数据易于与大型城市规模的排放数据进行比较。尽管在线购物由推荐系统（RecSys）算法驱动，但后者在促进更可持续选择方面的作用和潜力仍受到很少关注。这可能归因于缺乏包含商品碳足迹排放的数据集。虽然构建此类数据集颇具挑战性，但其存在至关重要，才能开启新视角、评估方法和RecSys研究的新方法。本文针对这一瓶颈进行研究，探讨RecSys算法的环境作用。首先，我们挖掘包含商品碳足迹排放的数据集。随后，我们以准确率和可持续性这两个维度对常规RecSys算法进行基准测试。我们发现，针对准确率优化的RecSys算法忽略了绿色色彩；而较长的推荐列表更环保但不够准确。随后，我们表明，一种简单的重新排序方法可在考虑商品碳足迹的情况下，在准确率和绿色化之间建立更好的平衡点。该重新排序方法模块化、即插即用，可应用于任何RecSys算法，而无需修改底层机制或重新训练模型。我们的结果表明，牺牲一点准确率即可在所有算法和列表长度上显著提高推荐系统的绿色化。可以说，这种准确率与绿色化之间的权衡甚至可被视为用户满意度的提升，尤其是对于优先考虑其选择环境影响的目的导向用户而言。我们预计本工作将为研究更可持续的推荐系统奠定起点。