در این مطالعه، هدف ما بررسی سوگیری جریان اصلی در سیستمهای توصیهگر است که کاربران ویژهای که دارای علایق خاص و اقلیت هستند، از مدلهای توصیه بسیار کم استفاده میکنند. ما دو علت اصلی این سوگیری را شناسایی میکنیم: مشکل مدلسازی اختلاف و مشکل یادگیری ناهمگام. در جهت انحراف، ما یک چارچوب یادگیری محلی تطبیقی سرتاسر طراحی میکنیم: ابتدا یک ماژول ترکیبی از کارشناسان زیانمحور را برای مقابله با مشکل مدلسازی اختلاف پیشنهاد میکنیم، و سپس یک ماژول وزن تطبیقی را برای مبارزه با یادگیری ناهمگام توسعه میدهیم. مشکل آزمایشهای گسترده عملکرد فوقالعاده روش پیشنهادی ما را بر روی کاربران اصلی و اصلی و عملکرد کلی در مقایسه با جایگزینهای SOTA نشان میدهد.
قدردانی ها. این تحقیق تا حدی توسط 4-VA، یک مشارکت مشترک برای پیشبرد کشورهای مشترک المنافع ویرجینیا، تامین شده است.
مجموعه داده Yelp (2021)، https://www.yelp.com/dataset
عبدالله پوری، ح.، برک، ر.، مباشر، ب.: کنترل سوگیری محبوبیت در توصیه یادگیری به رتبه. در: مجموعه مقالات یازدهمین کنفرانس ACM در مورد سیستم های توصیه کننده. صفحات 42-46 (2017)
عبدالله پوری، ح.، برک، ر.، مباشر، ب.: مدیریت سوگیری محبوبیت در سیستم های توصیه گر با رتبه بندی مجدد شخصی. در: سی ثانیه …