基于自监督学习的去流行度偏差推荐方法

近年来,随着推荐系统研究的不断深入,推荐系统的公平性受到越来越多关注.流行度偏差也即流行的物品比非流行的物品更容易被推荐,是影响其公平性的重要因素之一.流行度偏差对推荐系统的各利益相关者都有严重的影响,引起研究者的广泛关注.相关研究主要通过推荐结果重排或学习过程中融合正则化项提升非流行物品的曝光率,而非流行物品的交互数据极度稀疏成为研究的瓶颈.针对此问题,本文提出基于自监督学习的去流行度偏差推荐方法,解决两个难点:(1)准确学习交互数据极度稀疏的非流行物品的表征;(2)提升非流行物品曝光率的同时,兼顾不同用户对流行和非流行物品的偏好.具体地,从用户的角度,提出流行物品和非流行物品双视图的用户偏好学习方法,准确学习用户对流行和非流行物品的真实偏好;从物品的角度,采用自监督学习,利用互信息最大化捕获非流行物品与流行物品间的潜在关系,辅助提升非流行物品嵌入学习的准确性.最后,设计用户流行度偏好一致性、资格公平性等指标,并通过三个公开数据集的大量实验说明了本文方法在提升推荐性能的同时,能有效缓解流行度偏差问题并具有较强的通用性.