简介：推荐系统通常面临着流行度偏差问题：从数据的角度来看，商品在交互频率上呈现出不均匀的(通常是长尾)分布；从方法的角度来看，协同过滤方法容易过度推荐热门商品而进一步放大偏差。在推荐系统中考虑流行度偏差无疑是至关重要的，现有的工作主要是基于倾向的无偏学习或因果嵌入来消除这种偏差效应。然而，我们认为并非所有的数据偏差都是不好的，也就是说，一些商品表现出更高的受欢迎程度是因为它们更好的内在质量。盲目追求无偏学习可能会去除数据中的有益模式，降低推荐的准确性和用户满意度。这项工作研究了推荐方面的一个未被探索的问题——如何利用流行度偏差来提高推荐的准确性。关键在于两个方面:如何在训练过程中消除流行度偏差的不良影响。这对推荐产生过程的因果机制提出了质疑。在此基础上，我们发现商品受欢迎程度在暴露项目与观察到的交互之间起混淆作用，导致偏差放大的不良影响。为了实现我们的目标，我们提出了一种新的推荐训练和推理范式，称为流行-偏差消除和调整(PDA)。它消除了模型训练中的混杂流行偏差，并通过因果干预将推荐评分与期望流行偏差进行调整。我们在潜在因素模型上展示了新的范式，并在来自快手、豆瓣和腾讯的三个真实数据集上进行了广泛的实验。实证研究表明，去混淆训练有助于发现用户的真实兴趣，而带有人气偏差的推理调整可以进一步提高推荐精度。

链接：https://arxiv.org/pdf/2105.06067.pdf
代码地址：https://github.com/zyang1580/PDA
推荐理由：本文提出了如何更好地利用popularity bias，而不是完全的消除它，这样可以带来更好的推荐精度，具有很高的参考价值。

内容中包含的图片若涉及版权问题，请及时与我们联系删除