Il framework PEARL utilizza l'apprendimento contrastivo per raccomandazioni imparziali
Un nuovo articolo di ricerca introduce PEARL, un framework di approssimazione percentile contrastiva non parametrica progettato per affrontare lo squilibrio dell'intensità comportamentale nei sistemi di raccomandazione. Questo squilibrio, causato da modelli eterogenei di coinvolgimento degli utenti, distorce i segnali di feedback e porta i modelli a sovrarappresentare gli utenti molto attivi, sottorappresentando gli altri. PEARL modella segnali di preferenza relativa anziché grandezze assolute di coinvolgimento, utilizzando campioni di interazione contrastiva reali per approssimare le relazioni percentili senza modelli ausiliari di stima della distribuzione. Il framework fornisce una giustificazione teorica per il suo approccio di debiasing a coppie. L'articolo è disponibile su arXiv con identificatore 2605.21752.
Fatti principali
- PEARL affronta lo squilibrio dell'intensità comportamentale nei sistemi di raccomandazione.
- Lo squilibrio dell'intensità comportamentale deriva da modelli eterogenei di coinvolgimento degli utenti.
- Lo squilibrio porta i modelli ad amplificare i segnali degli utenti molto attivi.
- PEARL utilizza l'approssimazione percentile contrastiva non parametrica.
- Modella segnali di preferenza relativa anziché grandezze assolute di coinvolgimento.
- PEARL sfrutta campioni di interazione contrastiva reali.
- Non sono necessari modelli ausiliari di stima della distribuzione.
- L'articolo è su arXiv con identificatore 2605.21752.
Entità
Istituzioni
- arXiv