图4 到图6 展示的是算法在 LDOS-CoMoDal 数据集合上的表现 。与上一组数据相似，该算法的性能表现出众 ， 能够很好的解决位置偏差问题 。
推荐系统中的不公平现象由来已久，随着近些年来人们对于推荐系统的关注度不断地提升 。推荐系统公平性问题也引起了越来越多人的关注 。推荐系统中关注最多的不公平性问题其实是流行度偏差（Popularity Bias） 。早在2017 年 ， Alex Beutel 等人就提出了 Focused Learning, 用于解决该问题 。
后期大多数跟进工作主要采用正则化项的方式进行 。2020 年，国际学术会议 ICBDT 2020 的最佳论文报告奖MatRec 另辟蹊径，利用了类似SVDFeature 的方式将用户和物品排名作为变量，嵌入到矩阵分解算法中 ， 取得了不俗的成绩 。本文所介绍的算法 ， 沿用了传统的正则化项的思路，利用了推荐系统中的幂律现象，成功对推荐系统中的位置偏差进行建模，较为令人满意的解决了该问题 。
随着商品化大潮愈演愈烈 ， 以及最近几年的全球经济不景气 。越来越多的企业主开始关注自己的短期利益，而忽略所谓人工智能伦理等短期收益似乎不如传统方法，但是长期收益却能使公司建立起完善的生态体系和卓越的品牌效应的技术方向 。如果我们不解决推荐系统的马太效应，我们会发现推荐系统的生态会变差：比如在游戏中，我们给用户推荐玩家联盟 。最有效的方式其实可能是推荐人数最多的前3 个联盟 ， 但如果我们为了追求点击率就这么做 ， 毫无疑问会把剩下的联盟全部搞死，整个产品的生态也就完了 。所以有的时候，我们就算是牺牲了由点击率提升带来的经济效益，也应该把产品的口碑和生态搞好 。而本文介绍的算法，就提供了这样一种思路 。
作者简介汪昊，前 Funplus 人工智能实验室负责人 。曾在 ThoughtWorks、豆瓣、百度、新浪等公司担任技术和技术高管职务 。担任过创业公司CTO 和技术VP 。在互联网公司和金融科技、游戏等公司任职 13 年 ， 对于人工智能、计算机图形学和区块链等领域有着深刻的见解和丰富的经验 。在国际学术会议和期刊发表论文 42 篇，获得IEEE SMI 2008 最佳论文奖、ICBDT 2020 / IEEE ICISCAE 2021 / AIBT 2023 / ICSIM 2024最佳论文报告奖 。
【手把手教你解决推荐系统中的位置偏差问题】
推荐阅读
- 油豆腐塞肉的做法我来教教你
- 门吱吱响怎么解决，房门开门嘎吱响怎么解决
- 教你怎么三步上篮，左撇子怎么练习三步上篮
- 教你申请一张十万额度信用卡 信用卡怎么养卡提额度快
- 显卡啸叫怎么解决,显卡开机啸叫解决方案
- 饭店押金不退怎么解决
- 女生不管多懒，出门尽量化淡妆，教你这4个步骤，简单易学还精致
- 宽带连接错误代码解决方法
- 教你如何做鲤鱼打挺，关于武功的成语例如鲤鱼打挺
- 小心眼是心理疾病吗 教你几招克服小心眼