多维框架下个性化推荐系统的流行度偏见测度方法与实证研究

[目的/意义]个性化推荐系统的流行度偏见表现为向用户推荐最热门而非最相关的物品,是影响公平性的重要因素之一,对推荐系统中的多个利益相关者产生严重影响。通过科学的定量方法准确识别流行度偏见,有助于评估现有推荐算法中存在的偏见问题,有助于优化系统,实现可信的人工智能,具有重要的理论和实践价值。[方法/过程]通过对比分析方法,对当前推荐系统领域内主流的流行度偏见测度指标进行对比,以此为基础构建一个推荐系统流行度偏见发现的多维指标框架,并进行实证分析。[结果/结论]从多样性、个性化、用户满意度、公平性、长期效益、整体表现六个维度阐明了个性化推荐系统中流行度偏见的测量方法,实证结果表明,该测度方法指标覆盖面广、测量准确性高、科学实践性强,具有一定的先进性。

基于改进的反事实推理框架消除流行度偏差

本文将时间因子融入反事实推理框架中,得到改进的无关模型的反事实推理框架。推荐系统的最终目的是提供给用户个性化的建议,而不是推荐流行的项目。借助因果关系中的反事实推理法来分析解决流行度偏见问题是一个新颖而基本的视角。流行度偏差是指热门的项目展示相对较多,系统推荐的时候,会倾向于推荐热门商品。当前的推荐模型只是考虑用户项目交互对最终评分的影响,忽略了时间因子对于交互过程的影响,所以对于流行度偏差消除的结果并不理想。由于用户和项目的匹配度不是一成不变的,它会随着时间非线性变化,为了提升模型消除流行度偏差的能力,本论文将时间因子纳入到了遵循因果推理的反事实推理框架中,从用户和项目交互的细节出发,细化了用户项目匹配,完成了对反事实推理框架的改进。实验使用矩阵分解算法和MovieLens数据集进行实验,融入时间因子的反事实推理框架对比传统的框架,命中率、召回率、归一化折损累计增益都有了一定的提高,提高了推荐算法的去流行度偏差能力。