通过成本敏感学习减轻推荐中的主流偏见
摘要：主流偏见是指某些用户因其偏好不常见或活跃度较低而收到较差推荐的现象，这是关于推荐系统公平性需要考虑的重要方面。目前减轻主流偏见的方法并没有明确建模这些非主流用户的重要性，或者当建模时与数据和推荐模型不兼容。相比之下，我们使用推荐效用作为一种更通用和隐含的代理来量化主流特性，并提出了一种简单的用户加权方法，将其纳入训练过程中同时考虑潜在的推荐错误成本。我们提供了大量的实验证据表明，通过效用量化主流特性更能识别非主流用户，并且在以成本敏感方式训练模型时他们得到了更好的服务。而整体推荐准确率几乎没有或没有损失，这意味着模型在用户之间学到了更好的平衡。此外，我们还展示了如果在评估模型性能时没有使用足够多的互动，这种以个体用户水平评估推荐质量的研究可能是不可靠的。
作者：Roger Zhe Li, Juli''an Urbano, Alan Hanjalic
论文ID：2307.13632
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-26