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

推荐系统（RS）常常受到流行度偏差的困扰。当在一个通常存在长尾分布的数据集上训练推荐模型时，模型往往不仅继承这种偏差，而且经常加剧它，导致推荐列表中流行物品的过度呈现。本研究进行了全面的实证和理论分析，揭示了这种现象的根本原因，得出了两个核心见解：1）物品流行度被记忆在推荐模型预测的得分矩阵的主谱中；2）维度崩溃现象放大了主谱的相对突出性，从而加剧了流行度偏差。基于这些见解，我们提出了一种新的去偏方法，利用谱范数正则化器惩罚主奇异值的大小。我们已经开发了一种高效的算法，通过利用得分矩阵的谱特性来加速谱范数的计算。在七个真实世界数据集和三个测试范式上进行了广泛的实验，验证了所提出方法的优越性。

解决流行度偏差问题

使用谱范数正则化器惩罚主奇异值的大小，以减轻流行度偏差

论文通过实证和理论分析揭示了流行度偏差的根本原因，并提出了一种新的去偏方法。作者开发了一种高效算法来计算谱范数，并在七个真实数据集和三种测试范式下进行了广泛实验以验证该方法的优越性。

与此相关的研究包括使用其他正则化器来减轻偏差，以及使用深度学习技术来改进推荐系统。例如，"Collaborative Filtering with Temporal Dynamics"和"Neural Collaborative Filtering"。