音乐推荐中艺术家的曝光不公平
信息检索
2020-03-27 v1
摘要
机器学习中的公平性问题已被许多研究者探讨。特别地，推荐系统中的公平性已被研究，以确保推荐满足关于某些敏感特征（如种族、性别等）的某些准则。然而，推荐系统通常是多利益相关方环境，其中应顾及对所有利益相关方的公平性。众所周知，推荐算法存在流行度偏差；少数流行物品被过度推荐，导致大多数其他物品无法获得相称的关注。该偏差已从用户视角及其如何使最终推荐总体偏向流行物品方面被研究。但本文中，我们研究推荐算法中的流行度偏差对物品提供者（即推荐物品背后的实体）的影响。使用音乐数据集进行实验，我们表明由于算法中的某些偏差，具有不同流行程度的不同艺术家群体被系统性且持续地区别对待。
引用
@article{arxiv.2003.11634,
title = {Unfair Exposure of Artists in Music Recommendation},
author = {Himan Abdollahpouri and Robin Burke and Masoud Mansoury},
journal= {arXiv preprint arXiv:2003.11634},
year = {2020}
}