推荐中多因素偏差的不公平性

《ACM Transactions on Information Systems》：The Unfairness of Multifactorial Bias in Recommendation

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

流行度偏差和正面性偏差是推荐系统中两个主要的偏差来源。两者均源于输入数据，在推荐模型中传播，并导致不公平或次优的结果。当一小部分物品获得大部分交互时，就会产生流行度偏差；而正面性偏差则源于高评分值的过度代表性。尽管每种偏差已被独立研究，但它们的**联合效应**——我们称之为**多因素偏差**——仍未得到充分探索。在本研究中，我们考察了多因素偏差如何影响物品端的公平性，重点研究曝光偏差，即推荐输出中物品可见度的不平等。通过模拟研究，我们发现正面性偏差不成比例地集中在流行物品上，进一步加剧了它们的过度曝光。基于这一发现，我们采用了一种基于百分位的评分转换方法作为预处理策略，以缓解多因素偏差。在四个公开数据集上使用六种推荐算法进行的实验表明，该方法在几乎不损失准确率的情况下提高了曝光公平性。我们还证明了，将这一预处理步骤集成到后处理公平性流水线中，可以增强其有效性和效率，以较低的计算成本实现相当甚至更好的公平性。这些发现强调了应对多因素偏差的重要性，并展示了简单、数据驱动的预处理方法在提高推荐系统公平性方面的实际价值。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。本摘要旨在支持发现，帮助读者评估相关性，并协助相邻研究领域的读者理解本文工作。本摘要旨在作为作者提供的摘要的补充，后者仍是本文的主要摘要。全文仍为权威的正式记录版本。点击此处了解更多。

点击此处对本摘要的准确性、清晰度和实用性发表评论。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的简明语言摘要，您必须拥有高级访问权限。