多模态感知推荐系统的流行度偏见：一项基于模态的分析
摘要：多模态感知的推荐系统（MRS）利用多模态内容（例如产品图片或描述）作为项目的附加信息，以提高推荐准确性。虽然大多数这类方法依赖于基于分解模型（例如MFBPR）的基本架构，但已经表明MFBPR可能受到流行度偏差的影响，意味着它本质上倾向于提高对热门（即短头）项目的推荐，而对目录中的小众（即长尾）项目不利。出于这个假设的动机，在这项工作中，我们首次对推荐中多模态如何进一步放大流行度偏差进行了分析。具体而言，我们评估了来自亚马逊的三个数据集上四种最先进的MRS算法（即VBPR、MMGCN、GRCN、LATTICE）的性能，评估指标包括推荐准确性和衡量推荐项目多样性以及检索到的小众项目的比例的性能度量。为了更好地研究这个方面，我们决定分别研究每种模态（即视觉和文本）对不同评估维度中的流行度偏差的影响。结果表明单一模态可能会增加流行度偏差的负面效应，从而强调了对这类模型性能进行更严格分析的重要性。
作者：Daniele Malitesta, Giandomenico Cornacchia, Claudio Pomo, Tommaso Di Noia
论文ID：2308.12911
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-25