How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective

推荐系统经常受到流行度偏见的困扰。具体来说，当推荐模型在长尾数据集上进行训练时，它们不仅会继承这种偏见，而且通常会加剧它。这种影响削弱了推荐系统的准确性和公平性，并催生了所谓的马太效应。尽管这个问题得到了广泛的认识，但其根本原因仍然大多数不清楚。在我们的研究中，我们深入研究了流行度偏见的放大。我们的全面理论和实证研究得出了两个核心见解：1）项目流行度被记忆在推荐模型预测的得分矩阵的主奇异向量中；2）维度折叠现象放大了主奇异向量对模型预测的影响，加剧了流行度偏见。基于这些见解，我们提出了一种新的方法来减轻这种偏见，即对主奇异值的大小施加惩罚。考虑到直接评估主奇异值梯度的巨大计算负担，我们开发了一种高效的算法，利用奇异向量的固有特性。我们在七个真实数据集和三个测试场景下进行了大量实验，验证了我们的方法的优越性。

解决问题：论文试图解决推荐系统中的流行度偏见问题，该问题如何影响推荐系统的准确性和公平性？

关键思路：论文发现推荐模型预测的得分矩阵的主奇异向量中记忆了物品的流行度，而维度崩溃现象放大了主奇异向量对模型预测的影响，进一步加剧了流行度偏见。论文提出了一种惩罚主奇异值大小的方法来缓解这种偏见，并开发了一种高效算法来实现。

其他亮点：论文在七个真实数据集和三个测试场景下进行了广泛的实验，验证了该方法的优越性。值得关注的是，该算法利用奇异向量的固有属性来实现高效计算。此外，论文还探讨了流行度偏见的根本原因，并指出了未来研究的方向。

相关研究：最近的相关研究包括《Fairness in Recommendation Ranking through Pairwise Comparisons》、《Addressing Popularity Bias in Recommender Systems through Personalized Re-ranking》等。