PBiLoss: Un Metodo di Regolarizzazione per Ridurre il Bias di Popolarità nei Sistemi di Raccomandazione Basati su Grafi
I ricercatori propongono PBiLoss, una funzione di perdita basata sulla regolarizzazione per contrastare il bias di popolarità nei sistemi di raccomandazione basati su reti neurali a grafo (GNN). Il bias di popolarità porta a una sovra-raccomandazione di elementi popolari, riducendo la personalizzazione, causando esposizione ingiusta e abbassando la diversità. Le soluzioni esistenti includono pre-elaborazione (distorce i dati), in-elaborazione (complica l'ottimizzazione) e post-elaborazione (limitata nel correggere il bias incorporato). PBiLoss potenzia l'addestramento tradizionale penalizzando l'inclinazione del modello verso gli elementi popolari. L'articolo è disponibile su arXiv (2507.19067).
Fatti principali
- PBiLoss è una funzione di perdita basata sulla regolarizzazione.
- Mira al bias di popolarità nei sistemi di raccomandazione basati su GNN.
- Il bias di popolarità causa una sovra-raccomandazione di elementi popolari.
- Riduce la personalizzazione e l'equità.
- Metodi esistenti: pre-elaborazione, in-elaborazione, post-elaborazione.
- La pre-elaborazione può distorcere le distribuzioni dei dati.
- L'in-elaborazione complica l'ottimizzazione.
- La post-elaborazione è limitata nel correggere il bias incorporato.
- PBiLoss penalizza l'inclinazione del modello verso gli elementi popolari.
- Articolo disponibile su arXiv (2507.19067).
Entità
Istituzioni
- arXiv