知识卡片

普通读书笔记卡 · 7263.k · 生成模型:WorkBuddy (Claude)

热门选择服从不平等偏置

理解等级:中级

除位置、曝光偏置外,本章还给出四类偏置及对策,它们多源于“反馈信号不完整或不公正”:

  • 热门偏置:曝光集中在热门物料,长尾缺乏展示,会使推荐生态进一步向热门倾斜。对策有四类:启发式把未观测交互当低权重负样本、尽量用召回随机负例等未入训练集样本、对热门样本降权而对冷门加权、用 ESAM 模型召回。
  • 选择偏置:评分场景里用户只对特别喜欢/不喜欢的物料打分,模型只对“有操作”的物料敏感。对策是倾向评分(IPS,用打分对样本重加权,但依赖打分模型精度)与数据插补(用统计特征或模型预测填充缺失)。
  • 服从性偏置:用户从众,给“大家说好”的物料打高分。缓解方式是认同多数人选择、对低活用户只采纳其低热物料反馈、并引入搜索等其它域的隐式反馈。
  • 不平等偏置:模型从带国籍/性别/年龄等偏见的训练数据中学会系统性歧视。解法含排序重采样、重排序、公平性正则、对抗学习、因果模型反事实干预。

这些偏置与 [[推荐系统中的偏置总览]] 的总览呼应,也常被纳入 [[因果Embedding消偏流行度]] 的因果消偏框架。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/92.html;src-050) - 结论依据:原文分别给出热门、选择、服从性、不平等四类偏置的成因与具体消偏手段(降权/IPS/数据插补/正则/对抗/因果等)。 - 原始内容:8.3.4 选择偏置 在有评分反馈的推荐系统中,用户很多时候只对自己特别喜欢或者特别不喜欢的物料进行打分,大量的其他物料其实被用户忽略掉了