面向流行度感知的推荐：一种基于正交约束的多行为增强框架
信息检索
2024-12-30 v1
摘要
Top-K 推荐涉及推断用户隐式偏好并生成个性化推荐，在众多决策系统中广泛应用。然而，推荐系统通常会受到严重的 \textit{流行度偏差}，导致对流行物品的过度推荐。这种偏差偏离了忠实反映用户偏好的核心目标，损害客户满意度和零售商利润。尽管如此，现有处理流行度偏差的方法仍存在局限，主要体现在显著的精度-去偏差权衡以及对大量参数选择的敏感性，这些问题在正面用户-物品交互极度稀疏的情形下进一步恶化。在本文中，我们提出了一种 \textbf{流行度感知} Top-K 推荐算法，集成多行为 \textbf{侧信} \textbf{信息} (PopSI)，旨在同时提升推荐精度和去偏差性能。具体而言，通过利用反映相似用户偏好的多种用户反馈数据并构建为三维张量，PopSI 可有效利用各数据切片捕获用户理想偏好。随后，我们引入一种新颖的正交约束，以细化估计的物品特征空间，强制其对物品流行度特征保持不变，从而解决模型对流行度偏差的敏感性。针对真实世界电子商�数据集进行的全面实验表明，PopSI 在流行度去除方法中显著优于现有方法，精度-去偏差权衡基本持平，且具备实际应用的可扩展性。我们的算法和实验代码已在 \url{https://github.com/Eason-sys/PopSI} 上提供。
引用
@article{arxiv.2412.19172,
title = {Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint},
author = {Yishan Han and Biao Xu and Yao Wang and Shanxing Gao},
journal= {arXiv preprint arXiv:2412.19172},
year = {2024}
}