مقابله با سوگیری جریان اصلی از طریق یادگیری محلی تطبیقی ​​انتها به انتها: کار مرتبط

جدول پیوندها

چکیده و 1 مقدمه

2 مقدماتی

3 یادگیری محلی تطبیقی ​​سرتاسر

3.1 ترکیبی از متخصصان ضرر محور

3.2 یادگیری همزمان از طریق وزن تطبیقی

4 آزمایش Debiasing و 4.1 راه اندازی آزمایشی

4.2 عملکرد منحرف کننده

4.3 مطالعه فرسایش

4.4 اثر ماژول وزن تطبیقی ​​و 4.5 مطالعه فراپارامتر

5 کارهای مرتبط

6 نتیجه گیری، قدردانی ها و مراجع

مسائل منصفانه و سوگیری در سیستم های توصیه گر اخیرا توجه فزاینده ای را به خود جلب کرده است. تعصب محبوبیت [2,3,9,34,37,38]سوگیری نوردهی [5,21,30,31]، و انصاف مورد [6,7,11,17,27,35] نمونه ای از تعصبات قابل توجه در سمت مورد. علاوه بر کارهای قبلی که عمدتاً بر دیدگاه آیتم متمرکز شده اند، چندین مطالعه تحقیقاتی سوگیری های کاربر را بررسی کرده اند و تفاوت های مفید را در بین گروه های مختلف کاربر بر اساس ویژگی های جمعیت شناختی کاربر، مانند سن یا جنسیت، تجزیه و تحلیل کرده اند. [10,15,16,25,32,33,36]. به عنوان مثال، اکستراند و همکاران. [15] مدل‌های پیشنهادی متعدد را به‌طور تجربی بررسی کرد و تفاوت‌های کاربردی را در گروه‌های جمعیتی کاربر نشان داد. Schedl و همکاران [32] تفاوت‌های ترجیحی موسیقی را در میان گروه‌های سنی کاربر بررسی کرد و تغییرات را در عملکرد توصیه‌ها آشکار کرد. برای پرداختن به این مسائل، فو و همکاران. [16] لی و همکاران برای استفاده از اطلاعات غنی از نمودارهای دانش پیشنهاد شده است. [25]…