迈向碳足迹意识的推荐系统：以实现更环保的商品推荐

《ACM Transactions on Recommender Systems》：Towards Carbon Footprint-Aware Recommender Systems for Greener Item Recommendation

在线购物对气候的影响显著，推荐系统（RecSys）在优化准确性的同时忽视可持续性。本研究构建了首个包含商品碳足迹的RecSys数据集，验证了基于碳足迹的重排序方法能有效提升推荐绿色性，同时保持较高准确性。该模块化方法无需修改底层算法或模型，即可平衡准确率与环保性，对有环保意识用户尤其有益，为可持续推荐系统研究奠定基础。

　　

摘要

在线购物的普及对气候产生了前所未有的影响，其主要参与者的排放量与大型都市的排放量相当。尽管在线购物依赖于推荐系统（RecSys）算法的驱动，但这些算法在促进更可持续消费选择方面的作用和潜力却鲜有研究。造成这一现象的主要原因可能是缺乏包含商品碳足迹数据的数据集。虽然构建此类数据集是一项具有挑战性的任务，但其存在对于开辟新的研究方向、评估方法和途径至关重要。在本文中，我们针对这一瓶颈问题，探讨了推荐系统算法对环境的影响。首先，我们收集了一个包含商品碳足迹数据的数据集。接着，我们从准确性和可持续性的角度对传统推荐系统算法进行了评估。研究发现，专注于提高准确性的算法往往忽视了环保因素；而推荐列表长度越长，虽然环保性越好，但准确性却会降低。随后，我们提出了一种简单的重新排序方法，该方法能够兼顾准确性和环保性，实现了两者之间的平衡。这种重新排序方法具有模块化特性，可以直接应用于任何推荐系统算法，无需修改其底层机制或重新训练模型。实验结果表明，适当牺牲准确性可以在所有算法和不同列表长度下显著提升推荐的环保性。从用户满意度的角度来看，这种平衡甚至可能带来提升，尤其是对于那些重视消费环境影响的用户而言。我们期待这项工作能够成为研究更可持续推荐系统的起点。