Graph-Structured Driven Dual Adaptation for Mitigating Popularity Bias

doi:10.1109/TKDE.2025.3638343

Graph-Structured Driven Dual Adaptation for Mitigating Popularity Bias

2025-11-28

0

PRE

AI

DOI：10.1109/TKDE.2025.3638343

原文链接

原文求助

摘要

En 中文

流行度偏差是推荐系统中常见的挑战。它通常导致物品推荐性能失衡，并加剧马太效应。由于用户-物品交互有限，冷门物品的嵌入邻域常仅被少数用户约束，导致表示坍塌并削弱模型的泛化能力。尽管现有的监督对齐和重加权方法有助于缓解这一问题，但它们仍存在两大主要局限：(1) 忽略不同图卷积网络（GCNs）层间的固有变异性，可能导致深层出现负增益；(2) 过度依赖固定超参数来平衡热门与冷门物品，限制了其对多样化数据分布的适应性并增加模型复杂度。为解决这些挑战，我们提出Graph-Structured Dual Adaptation Framework (GSDA)，一种用于缓解推荐系统中流行度偏差的双向自适应框架。我们的理论分析表明，GCNs中的监督对齐受过度平滑效应阻碍，随着层数加深，热门与冷门物品的区分度降低，导致深层对齐效果减弱。为克服此局限，GSDA整合了层级自适应对齐机制，该机制通过对抗跨层熵衰减，并结合基于基尼系数的分布感知对比加权策略，使模型能够动态调整去偏强度而无需依赖固定超参数。在三个基准数据集上的广泛实验证明，GSDA有效缓解了流行度偏差，同时在推荐性能上持续优于现有最优方法。

Keyword:

Recommender systems

popularity bias

supervised alignment

re-weighting

contrastive learning

Graph-Structured Driven Dual Adaptation for Mitigating Popularity Bias

摘要

期刊

机构

引用论文