在不确定性条件下解决情境化的纯冷启动问题

《ACM Transactions on Recommender Systems》：Solving the Contextual Pure Cold-Start Problem under Uncertainty

冷启动问题在公共媒体推荐中影响公平性和覆盖面，本文提出基于不确定性的随机排名器，结合用户上下文和匿名数据，平衡流行偏差与价值导向，实验显示公平曝光提升64%，覆盖度增42%，命中率仅降8%。

　　

摘要

在线媒体平台的成功在很大程度上取决于其将首次使用的用户转化为回头客的能力。然而，由于“纯冷启动”问题（即在没有历史数据的情况下向用户提供有用推荐的建议的难度），这一任务往往具有挑战性。虽然列出热门内容似乎是一个简单的解决方法，但这样做可能会导致“流行度偏见”问题。

在本文中，我们解决了一个具体问题：公共服务媒体（PSM）场景中的“情境性纯冷启动”问题，这类场景的特点是缺乏用户特定数据，仅存在匿名且有限的情境信息。我们提出了一种与PSM价值观相契合的新推荐方法，因为确保这些价值观对于推荐系统的任务至关重要。我们的方法通过纳入各种类型的不确定性来提高推荐排名的公平性，从而确保内容能够得到更公平的展示，并扩大PSM目录的覆盖范围。利用来自公共电视网络的庞大真实互动数据集，我们通过使用基于不确定性的随机排序算法成功缓解了“流行度偏见”问题。结果，我们在公平展示方面提高了64%，在覆盖范围指标上增加了42%，同时仅使命中率准确度指标降低了8%。