Track2Vec：基于无 GPU 可定制驱动框架的公平音乐推荐
信息检索
2022-11-01 v1 机器学习
摘要
推荐系统已展现出在基于用户过去行为刻画用户偏好方面取得的显著进展。尽管推荐准确性有效，但存在若干对评估推荐系统多方面（例如公平性、多样性及有限资源）至关重要却未被探索的因素。为解决这些问题，我们提出 Track2Vec，一个用于公平音乐推荐的无 GPU 可定制驱动框架。为同时考虑准确性和公平性，我们的方案由三个模块组成：一个基于可配置设置建模不同特征的定制化公平感知分组，一个用于学习更好用户嵌入的曲目表示学习模块，以及一个用于对来自不同曲目表示学习模块的推荐结果进行排序的集成模块。此外，受自然语言处理中广泛使用的 TF-IDF 启发，我们引入一种称为未命中率-逆真实频率（Miss Rate - Inverse Ground Truth Frequency, MR-ITF）的指标来衡量公平性。大量实验表明，我们的模型在 EvalRS @ CIKM 2022 挑战赛排行榜上于无 GPU 环境中取得第 4 名，按官方分数优于官方基线约 200%。此外，消融研究说明了集成各组以获取准确且公平推荐的必要性。
引用
@article{arxiv.2210.16590,
title = {Track2Vec: fairness music recommendation with a GPU-free customizable-driven framework},
author = {Wei-Wei Du and Wei-Yao Wang and Wen-Chih Peng},
journal= {arXiv preprint arXiv:2210.16590},
year = {2022}
}