推荐系统技术前沿与公平性探讨

RecSys 2022："推荐系统无处不在"

会议概况

ACM推荐系统会议（RecSys）是推荐系统领域的顶级会议。本届会议的共同主席包括某中心Alexa购物部门的高级应用科学家Max Harper和高级应用科学经理Vanessa Murdock，以及马里兰大学的Jennifer Golbeck。

推荐系统的演进

推荐系统社区自20世纪90年代成立以来，一直专注于机器学习算法在用户行为建模中的应用。传统应用领域包括电影、音乐和图书等品味驱动的领域，如今已扩展到旅游、时尚和求职等多个领域。

技术发展脉络

2003年某中心提出的物品协同过滤方法至今仍然相关。当前矩阵分解技术更为常见，但本质上属于同类技术。今年会议中的研究表明，经过精心调优的矩阵分解算法仍能与现代深度学习算法相媲美。

新兴技术趋势

自然语言处理技术的应用

今年会议最显著的趋势是将自然语言处理技术（特别是Transformer和BERT等大型语言模型）应用于推荐系统。这些模型通过建模词语关联来学习句子语义，类似地，推荐系统可以通过分析用户交互的物品序列（如某中心的商品或Netflix的电影）来采用类似方法。

序列推荐技术

序列推荐方法使用与语言模型相同的掩码训练技术：取用户行为序列，隐藏其中一个实际交互物品，并尝试预测该物品是序列的一部分。这种方法面临两个挑战：

1. 用户交互序列没有自然边界，需要研究近期行为在下一项推荐中的重要性程度
2. 物品点击序列比句子包含更多噪声

可复现性研究

RecSys会议独特的可复现性研究轨道具有重要意义。许多研究报告显示逐年递增的改进，但这些改进并不总是累积生效。可复现性研究有助于验证这些声称的改进是否真实可靠。

算法公平性问题

偏差与公平性

随着推荐系统预测能力提升和在日常生活中更深入嵌入，确保不引入意外偏差变得至关重要。这是一个困难的问题，涉及"未知的未知"情况——数据中存在小的正类，但无法知道其规模大小。

解决方案方法

• 智能采样方法
• 合成数据生成
• 领域自适应技术
• 特征偏差分析

新闻推荐中的多样性

个性化技术可能导致"过滤泡沫"，使人们在网上看到的观点范围越来越窄。今年会议有研究采用原则性方法，使用自然语言技术衡量新闻文章多样性，为衡量文章集多样性提供了数学基础。

未来展望

公平性、隐私性和可解释性仍是推荐系统领域的重要议题。这些研究方向将在未来几年产生重要影响，特别是在新闻推荐等关键应用领域。