.png){kind=icon}
返回
Addressing popularity discrepancy in collaborative filtering
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02426-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
协同过滤（CF）在过去几十年中已成为最成功的推荐算法类型。然而，我们发现CF算法在用户交互物品与推荐物品之间常表现出流行度差异，例如，CF算法可能会推荐比用户偏好物品更流行的物品，尤其是针对那些偏好非流行物品的用户。为解决此前被忽视的偏差，我们提出了三项关键贡献：（1）我们引入两种新型指标PopDis_ED和PopDis_JS，以定量衡量流行度差异，提供超越传统偏差指标的新视角；（2）我们提出了一种创新的模型无关的相互消偏（MUDE）框架，该框架通过流行度感知门控机制，独特地结合了全局模型和专门的长尾模型；（3）在四个真实数据集上的全面实验表明，MUDE在提升推荐准确率与降低流行度差异方面均优于现有最先进的消偏方法。此外，MUDE在不同类型的CF算法中展现出强大的泛化能力，使其成为真实推荐系统的实用解决方案。
Keyword:
Collaborative filtering
Popularity bias
Mutual learning
Ensemble learning
期刊
IF:
3.1
论文数:
579
被引数:
5.2K
机构
引用论文
.png){kind=icon}
查看更多内容