偏见带来的好处：利用有偏采样为长尾商品提供个性化推荐

《ACM Transactions on Recommender Systems》：The Upside of Bias: Personalizing Long-Tail Item Recommendations with Biased Sampling

推荐系统通过学习用户历史交互提升用户体验，但存在长尾物品曝光不足的难题。传统方法因交互数据分布极不均衡导致模型偏见，本文提出基于用户历史偏见的合成方法，通过采样策略优先增强长尾物品的用户表征，在提升头部物品推荐精度的同时显著改善尾部曝光，实验验证了该方法在多样性、公平性等维度的优势。

　　

摘要

推荐系统通过学习用户的历史交互行为，提升用户在社交媒体、流媒体平台和电子商务中的参与度。推荐内容的相关性取决于模型学习到的用户特征和商品特征的质量。然而，用户与商品之间的交互行为分布极不均衡：许多商品获得的交互很少，而少数商品却主导了用户的互动行为，这种现象被称为“长尾问题”。由于推荐模型正是基于用户与商品的交互数据进行学习的，这种不平衡会加剧模型的偏见，导致冷门商品被忽视，从而降低推荐的多样性。

为了解决这一问题，我们在之前的研究中提出了“偏见用户历史合成”（Biased User History Synthesis）算法，该算法旨在改善个性化推荐的同时解决长尾问题。我们的方法采用了一种优先考虑冷门商品在用户交互历史中的策略，并利用这些数据来增强用户表示。这种方法提高了冷门商品的曝光率，生成了更加个性化的用户特征，从而提升了各类商品（包括热门和冷门商品）的推荐效果。本文在原有工作的基础上，提供了更多关于模型和相关研究的细节，并新增了多项贡献，包括在另一个数据集上的更全面评估、更深入的公平性和效率分析，以及改进的实验结果和可视化展示。源代码可访问：https://github.com/lkp411/BiasedUserHistorySynthesis。