Investigating and counteracting popularity bias in group recommendations     

Emre Yalcin  Alper Bilge 《Information processing & management》2021,58(5):102608

Popularity bias is an undesirable phenomenon associated with recommendation algorithms where popular items tend to be suggested over long-tail ones, even if the latter would be of reasonable interest for individuals. Such intrinsic tendencies of the recommenders may lead to producing ranked lists, in which items are not equally covered along the popularity tail. Although some recent studies aim to detect such biases of traditional algorithms and treat their effects on recommendations, the concept of popularity bias remains elusive for group recommender systems. Therefore, in this study, we focus on investigating popularity bias from the view of group recommender systems, which aggregate individual preferences to achieve recommendations for groups of users. We analyze various state-of-the-art aggregation techniques utilized in group recommender systems regarding their bias towards popular items. To counteract possible popularity issues in group recommendations, we adapt a traditional re-ranking approach that weighs items inversely proportional to their popularity within a group. Also, we propose a novel popularity bias mitigation procedure that re-ranks items by incorporating their popularity level and estimated group ratings in two distinct strategies. The first one aims to penalize popular items during the aggregation process highly and avoids bias better, while the second one puts more emphasis on group ratings than popularity and achieves a more balanced performance regarding conflicting goals of mitigating bias and boosting accuracy. Experiments performed on four real-world benchmark datasets demonstrate that both strategies are more efficient than the adapted approach, and empowering aggregation techniques with one of these strategies significantly decreases their bias towards popular items while maintaining reasonable ranking accuracy.  相似文献   

浅谈钢铁企业如何强化管理降低采购成本     

吴丽威 《辽宁科技学院学报》2011,13(2):46-47

采购成本是反映企业生产经营管理水平的主要指标,是构成企业产品成本和决定产品价格的重要因素,因此强化企业管理降低采购成本费用便成了重中之重。本文介绍了采购成本的构成及决定因素,并探讨了钢铁企业如何通过加强采购管理来降低采购成本的措施和途径,为同类型企业采购管理提供了借鉴。  相似文献   

基于矩阵多源加权关联规则在个性化推荐中的应用     

朱清香  侯会茹  刘晶  戴培森  晏霄 《科技管理研究》2015,35(1):183-187

针对传统关联规则挖掘算法中频繁信息不完善,以及电子商务中各个影响因素贡献值不同的问题,提出一种基于矩阵多源加权关联个性化推荐模型——MSWPR模型,并在考虑虚拟行为水平加权和多源关联垂直加权的基础上引入最小支持数概念作为剪枝的依据,进一步结合该模型对个性化推荐流程进行概述。  相似文献   

面向精准服务推荐的客户与服务知识粒度研究     

李冰  王虎 《科技管理研究》2015,(19)

重点对客户与服务知识粒度进行探讨,提出客户与服务知识不同层次粒度之间的转换方法,通过实证分析,给出客户与服务知识的粒化以及粒度跃升的实现过程,为精准服务推荐的实施做好铺垫。  相似文献   

试论科学发展观在高职院校就业指导中的运用——以南宁职业技术学院艺术工程学院为例     

刘桂花 《南宁职业技术学院学报》2010,15(6):61-63

就业是民生之本,也是安国之策。以科学发展观指导高职院校就业推荐工作,就是要以实现人的全面发展为目标,按照以人为本的要求,统筹促进全方位就业协调增长。南宁职业技术学院艺术工程学院在就业推荐工作取得的成效,表明科学发展观在就业指导中的运用非常重要。  相似文献   

由鲁迅著作"复本"量引出的思考   总被引：2，自引：0，他引：2  

黄忠顺 《大学图书馆学报》2010,28(1):61-63,73

通过剖析一所高校图书馆馆藏鲁迅著作高"复本"量与必要版本匮乏的矛盾,探讨了在当前新的出版环境下,图书采访人员的查重方法,以及采选工作应该具备的判断力与无法具备的学科背景之间的矛盾及其可能的解决方案。  相似文献   

基于SOA的混合个性化推荐平台研究     

艾斯特 《情报理论与实践》2012,35(5):107-111

文章分析推荐系统的国内外研究现状,总结传统推荐系统的不足,据此提出一个基于SOA的混合个性化推荐平台改进方案。在平台的基础上构建基于SOA的混合推荐模型,对影响模型内推荐策略选择的内部因素和外部情境因素进行了详细分析,并指出该平台的优势和实施时应注意的问题。  相似文献   

社会化推荐在隐性知识交流中的应用研究     

李国栋  冯敏  姚伟 《情报理论与实践》2012,35(6):83-87

在企业、图书馆和学术机构中,隐性知识交流一直是一项重要的研究内容,但是目前的隐性知识交流中存在着一些障碍和不足。文章通过分析隐性知识交流的研究现状,指出这些障碍和不足,并提出社会化推荐服务能够有效促进组织和个人间的隐性知识交流,解决隐性知识交流中存在的问题。  相似文献   

大学生数字教材购买行为分析架构     

万荣水  陈筱婷 《出版科学》2008,16(3):69-74

提出探讨不同人口统计变量与学习生活型态之大学生,其数字教材购买行为之实证分析架构。拟透过对数字教材发展趋势和大学生购买行为分析架构的陈述,为相关学术研究提供一个思考方向。这项架构假定大学生对于数字教材的购买行为,将因不同人口统计变量与学习生活型态之差异而有所不同。  相似文献   

个性化网络协同推荐服务的扩展及其实现   总被引：3，自引：1，他引：2  

胡昌平  孙高岭 《中国图书馆学报》2008,34(5)

传统的网络协同推荐服务对用户行为数据进行统一挖掘处理,但在处理分散数据时,难以开展协同服务.由此,推荐服务系统的可扩展问题日益凸显.实际上,用户信息行为与需求层次结构的对应关系已为构建可扩展的个性化协同推荐服务系统提供了一种新思路.可扩展的个性化协同推荐服务模型从需求层出发,通过行为层、过滤层、推荐层、交互层和资源库的扩展,最终实现个性化协同推荐系统的可扩展性.  相似文献