基于价格感知的推荐系统去偏学习模型：保留有益流行度偏差的新视角

针对推荐系统中流行度偏差导致的高价商品误推荐问题，研究人员提出价格感知流行度去偏模型（PAPDM），通过因果图分析价格对流行度的影响机制，结合用户购买力建模和负采样优化，在保留有益价格偏差的同时有效提升推荐准确性。该研究发表于《Neural Networks》，为电商推荐系统优化提供新思路。

　　

在电商平台蓬勃发展的今天，推荐系统已成为连接用户与商品的核心纽带。然而，一个长期困扰行业的难题逐渐浮出水面——流行度偏差（Popularity Bias）。就像音乐排行榜总是被少数热门歌曲霸占，推荐系统也倾向于过度推荐热门商品，导致大量长尾商品（Long-tail Items）难以获得曝光机会。更值得关注的是，现有研究大多将流行度偏差视为完全有害因素，却忽略了其中可能存在的合理成分。

四川大学（Natural Science Foundation of Sichuan Province资助项目）的研究团队通过数据分析发现了一个有趣现象：高价商品往往天然具有较低的流行度（如图2所示）。这种由价格因素驱动的"价格感知流行度偏差"（Price-Aware Popularity Bias）实际上反映了用户的真实购买能力差异——强行消除这种偏差可能导致向低收入用户推荐超出其支付能力的高价商品。基于这一发现，研究人员在《Neural Networks》发表论文，提出创新的价格感知流行度去偏模型（PAPDM），首次实现有害偏差与有益价格偏差的精准分离。

研究采用三大关键技术：基于因果图（Causal Graph）的偏差形成机制分析、融合用户购买力（Purchasing Capacity）和消费意愿（Consumption Willingness）的多维度建模，以及通过流行度分层的新型负采样（Negative Sampling）策略。这些方法共同解决了传统去偏模型中存在的两个关键缺陷：一是将价格相关偏差误判为有害偏差，二是负样本中潜在正样本的干扰问题。

研究结果部分显示：在"价格感知流行度分析"中，通过因果干预技术证实价格对流行度存在显著影响路径；"PAPDM模型架构"通过双通道设计分别捕捉价格相关和无关的流行度特征；"负采样优化"实验表明新方法使低流行度商品的Recall@20提升达17.3%。最终"整体性能对比"显示，PAPDM在Amazon和Yelp数据集上的NDCG@10分别超越基线模型8.6%和7.2%，特别是在低价商品推荐准确性上有显著提升。

这项研究的突破性在于重新定义了流行度偏差的组成结构：将传统视为同质化的偏差分解为有害的从众效应（Conformity Bias）和有益的价格信号。这种细分使得推荐系统首次能够像经验丰富的销售顾问那样，既避免盲目跟风推荐，又充分考虑用户的消费能力。正如论文结论强调的，该研究不仅为推荐系统去偏提供了新范式，更启示后续研究需要区分不同来源的偏差成分——有些偏差恰是用户真实需求的镜像。团队开源的模型代码已应用于多个电商平台，为解决"精准推荐与商业效益"的平衡难题提供了重要技术支撑。