论文标题：How graph convolutions amplify popularity bias for recommendation?

期刊：Frontiers of Computer Science

作者：Jiajia CHEN, Jiancan WU, Jiawei CHEN, Xin XIN, Yong LI, Xiangnan HE

发表时间：15 Oct 2024

DOI：10.1007/s11704-023-2655-2

微信链接：点击此处阅读微信文章

针对图卷积神经网络推荐模型放大流行度偏差问题，中国科学技术大学何向南教授团队撰写了研究论文：图卷积如何放大流行度偏差？

文章信息

标 题：

How graph convolutions amplify popularity bias for recommendation?

引用格式：

Jiajia CHEN, Jiancan WU, Jiawei CHEN, Xin XIN, Yong LI, Xiangnan HE. How graph convolutions amplify popularity bias for recommendation?. Front. Comput. Sci., 2024, 18(5): 185603

阅读原文：

文章概述

文章旨在提出面向图卷积神经网络推荐模型的流行度偏差干预技术。该研究基于理论分析确定了流行度偏差放大效应来源，实现了对图推荐系统中流行度偏差放大效应的控制。

技术步骤

通过理论分析，我们认为图卷积神经网络模型放大流行度偏差的原因在于：1）流行度较高的物品对邻居的影响大于流行度较低的尾部物品；2）在图卷积模型训练过程中，经过表征更新和图卷积操作后，流行的物品通常具有更高的被推荐给用户的概率。基于此，我们提出估计放大效应方法并实现对该效应的干预控制。

实验结果

大量实验结果表明，基于本文提出的流行度偏差干预技术，可有效提升模型在整体以及尾部物品的推荐准确性，并有效提升尾部物品在推荐结果中的比例，缓解了图推荐模型中的流行度偏差问题。

相关内容推荐：

文章精要 | 东北大学张天成副教授团队：一种同时追踪大量知识概念掌握概率的概率生成模型 2024 18(3): 183402

文章精要 | 合肥工业大学吴信东教授团队：采用分层注意力网络的联合用户画像 2023 17(3): 173608

文章精要 | 中山大学朱怀杰团队：最稀疏群体查询 2023 17(2): 172605

文章精要 | 东北大学张天成团队：认知诊断模型的新进展 2023 17(1): 171604

文章精要 | 东北大学乔百友团队：一种基于PredRNN结合注意力机制的有效海表温集成学习预测方法 2023 17(1): 171601

Frontiers of Computer Science

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；入选“中国科技期刊卓越行动计划项目”。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn