🤖 AI

PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems

本文提出 PBiLoss，这是一种新颖且与模型无关的正则化损失函数，它通过自适应采样策略对热门物品的过度推荐施加惩罚，从而缓解基于图的建议系统中的流行度偏差，进而在不牺牲准确性的前提下显著提升推荐公平性与多样性。

原作者： Mohammad Naeimi, Mostafa Haghir Chehreghani

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohammad Naeimi, Mostafa Haghir Chehreghani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个庞大、喧嚣的数字市场，数百万人（用户）在这里寻找想要购买、观看或阅读的东西（物品）。在这个市场中，存在两类产品：爆款（超级流行、人人谈论的物品）和遗珠（优秀但只有少数人知晓的物品）。

问题在于，“店主”（推荐算法）有一个坏习惯。他们如此钟爱爆款，以至于将它们摆上每一个货架、放进每一扇橱窗，并向每一位顾客大声叫卖。与此同时，遗珠则被塞进积满灰尘的后角，完全被忽视。这被称为流行度偏差。

您提供的论文介绍了一种名为PBiLoss（流行度偏差损失）的新工具，旨在纠正店主的这一坏习惯。以下是其工作原理的简明解释：

问题：“富者愈富”的循环

论文指出，现代推荐系统使用一种称为图神经网络（GNN）的技术。将 GNN 想象成一张巨大的连接网。如果一部电影很受欢迎，它便拥有成千上万的连接（点赞、点击）。算法审视这张网时会想：“哇，这部电影有这么多连接！它一定是最好的！”于是，它一遍又一遍地推荐它。

这就形成了一个反馈循环：

算法推荐了那部热门电影。
更多人因为被推荐而点击它。
算法看到更多的点击，便更加频繁地推荐它。
遗珠甚至没有机会被看见，哪怕特定用户会非常喜欢它们。

解决方案：PBiLoss（“公平教练”）

作者提出了PBiLoss，它就像一位在推荐系统训练过程中介入的严格教练。它的职责是告诉算法：“别再只推荐最流行的东西了！你也需要给那些不太流行的物品一个公平的机会。”

它通过给算法的“作业”添加特殊的“惩罚”来实现这一点。如果算法试图向一个可能并不在意该物品的用户推荐超级热门的物品，教练就会给它一个“皱眉”（惩罚）。如果算法推荐了一个不太流行但用户确实喜欢的物品，教练就会给它一个“竖起大拇指”。

PBiLoss 如何运作：两种新策略

为了教会算法这一课，论文引入了两种巧妙的练习方式（采样策略）：

“流行负样本”策略（PopNeg）：
- 类比：想象你是一位正在批改试卷的老师。通常，你只需检查学生是否答对了题目。但在 PopNeg 中，老师会专门查看学生答错的那些最流行的选项。
- 运作方式：算法被迫认识到，仅仅因为某件物品流行，并不意味着它就是这位特定用户的正确选择。它会对系统向用户推送其未交互过的流行物品施加惩罚。这是论文中发现最有效的策略。
“流行正样本”策略（PopPos）：
- 类比：这就像一位老师说：“如果你答对了那些简单、流行的题目，那很好，但我也希望看到你答对那些困难、冷门的题目。”
- 运作方式：它鼓励系统在用户确实喜欢某些不太流行的物品时，将其排名提高，确保它们不会被爆款淹没。

“阈值”问题

论文还提出了一个问题：我们如何决定什么是“流行”的？

方法 A（固定阈值）：我们划下一条硬线。“点击量超过 1000 次的即为流行，低于此数的即为不流行。”这就像一本严格的规则书。
方法 B（无阈值）：我们不划线。相反，我们使用滑动标尺。物品越流行，它被选为“流行”示例的可能性就越大。这更灵活，但可能会稍显混乱。

论文发现，固定阈值方法（方法 A）结合流行负样本策略（PopNeg）效果最佳。这是教导系统保持公平最可靠的方式。

结果：公平无需牺牲

作者在三个真实世界的数据集（如电影评分和时尚点击）上测试了这位新“教练”。他们将其与现有的最佳系统进行了比较。

好消息：新系统（PBiLoss）显著减少了偏差。它阻止了“爆款”独占所有注意力，并开始向那些真正会喜欢它们的用户展示“遗珠”。
意外发现：通常，当你强迫系统保持公平时，它的准确性（预测你想要的东西的能力）会下降。但在这里，系统在变得更公平的同时，准确性并未下降。事实上，在某些情况下，它在预测用户喜好方面甚至略有提升！

总结

将PBiLoss想象成一场抢椅子游戏中的公平裁判。以前，那些最大声、最显眼的玩家（流行物品）总是赢得椅子。PBiLoss 介入其中，让大玩家暂时坐下，确保小玩家也有机会坐上去。结果是，每个人都能玩得更开心，而获胜者依然是那些真正值得获胜的人，而不仅仅是那些声音最大的人。

论文得出结论，这种方法易于嵌入现有系统，在不同类型的数据上表现良好，并且在不破坏推荐引擎的前提下解决了流行度偏差问题。

以下是论文《PBiLoss：面向图基推荐系统的流行度感知正则化以提升公平性》的详细技术总结。

1. 问题陈述

基于图的推荐系统，特别是那些利用图神经网络（GNN）（如 LightGCN）的系统，在捕捉用户 - 物品交互方面已取得了最先进的性能。然而，它们深受流行度偏差的困扰。

问题所在： 这些模型倾向于过度推荐流行物品（高 degree 节点），而低估长尾（不流行）物品。
原因： 在 GNN 中，消息传递机制会固有地放大主导的交互模式。流行物品接收到更频繁的更新和更强的信号，从而形成一个反馈循环，将小众内容边缘化。
现有解决方案的局限性：
- 预处理： 扭曲数据分布。
- 后处理： 在纠正已嵌入学习表示中的偏差方面能力有限。
- 处理中（基于梯度）： 通常使优化复杂化，产生不稳定的损失景观，或需要敏感的超参数调整。
- 现有正则化： 许多方法依赖于敏感属性或需要复杂的架构变更。

作者提出需要一种与模型无关、直接集成到训练目标中且能够在不牺牲推荐准确性的情况下平衡公平性的方法。

2. 方法论：PBiLoss

核心贡献是PBiLoss（流行度偏差损失），这是一种新颖的正则化项，旨在添加到标准训练目标中（具体为贝叶斯个性化排序 BPR）。

A. 核心概念

PBiLoss 在训练过程中明确惩罚模型对流行物品的倾向。其旨在：

降低与用户无关的流行物品的排名。
提升与用户相关的不流行物品的排名。

B. 区分流行与不流行物品

该论文提出了两种基于流行度（通过节点度量化）对物品进行分类的方法：

固定阈值（ $\alpha$ ）： 度 $\ge \alpha$ 的物品为“流行”物品；其他为“不流行”物品。
无阈值（概率性）： 根据度分配采样概率。流行物品按其度成比例的概率被采样；不流行物品按其度的倒数成比例的概率被采样。

C. 采样策略

PBiLoss 引入了两种不同的采样策略来生成训练三元组 $(u, i, j)$ ，其中 $u$ 是用户， $i$ 是正样本物品， $j$ 是负样本物品：

流行正样本（PopPos）：
- 焦点： 相关（正样本）交互。
- 机制： 采样一对相关物品，其中一个为流行物品，另一个为不流行物品。
- 目标： 鼓励模型将不流行的相关物品排在流行的相关物品之上，从而提升长尾曝光。
- 公式： $T_{PBi} = \{(u, i, j) | u \in U, i \in I^+_{u, unpop}, j \in I^+_{u, pop}\}$
流行负样本（PopNeg）：
- 焦点： 不相关（负样本）交互。
- 机制： 采样一对物品，其中正样本物品是不流行的，而负样本物品是流行的。
- 目标： 明确惩罚模型将流行物品（用户未与之交互的）排名过高。这通常更有效，因为 BPR 中的流行度偏差往往是由流行物品作为“简单负样本”出现所驱动的。
- 公式： $T_{PBi} = \{(u, i, j) | u \in U, i \in I^+_{u, unpop}, j \in I_{pop} \setminus I^+_{u, pop}\}$

D. 最终目标函数

总损失函数将标准 BPR 损失与 PBiLoss 项相结合：
$L_{total} = L_{BPR} + w \cdot L_{PBi}$
其中 $w$ 是控制公平性正则化强度的超参数。

3. 主要贡献

新颖的损失函数： PBiLoss 将公平性约束直接集成到学习目标中，避免了后处理或复杂的架构变更。
创新的采样策略： 引入PopPos和PopNeg策略，针对流行度偏差的不同方面（相关物品与不相关物品）。
灵活的流行度定义： 提供固定阈值方法（确定性）和无阈值方法（概率性），以适应不同的数据分布。
与模型无关的设计： 该方法是一个模块化的损失组件，可无缝集成到现有的 GNN 框架（如 LightGCN、r-AdjNorm、APDA、PopGo）中，无需结构修改。
效率： 时间复杂度仍渐近等价于基础模型（$O(|E|Ld)$），因为额外的损失计算仅增加了常数因子。

4. 实验结果

作者在三个真实世界数据集Epinions、iFashion和MovieLens上评估了 PBiLoss，并将其与四个基线模型集成：LightGCN、r-AdjNorm、APDA和PopGo。

主要发现：

公平性提升： PBiLoss 显著降低了流行度偏差。
- 与基线相比，PRU（用户流行度 - 排名相关性）和PRI（物品流行度 - 排名相关性）降低了高达10%。较低的值表示更好的公平性。
- PopNeg-FT（带固定阈值的流行负样本）变体始终在公平性和准确性之间取得最佳平衡。
准确性保持： 关键的是，该方法在提升公平性的同时未降低标准准确性指标（F1@10、NDCG@10、MAP@10）。在许多情况下，准确性指标略有提升或保持稳定。
统计显著性： Friedman 非参数检验证实，排名指标（NDCG）的改进具有统计显著性（ $p < 0.05$ ）。
超参数敏感性：
- 正则化权重 $w$ 的中等值提供了最佳权衡。
- 将流行度阈值 $\alpha$ 设置为前 20% 的物品可获得最佳结果。

5. 意义与结论

实际影响： PBiLoss 为工业推荐系统提供了一种可扩展、易于实施的解决方案。它解决了推荐中的“马太效应”（富者愈富），确保长尾内容获得公平的曝光。
理论贡献： 它证明了公平性可以通过简单的损失函数正则化来实现，而无需复杂的架构 overhaul 或敏感属性操纵。
未来方向： 作者建议将流行度的定义扩展到节点度之外（例如时间趋势、基于内容的信号），并将该方法应用于序列或多模态推荐场景。

总之，PBiLoss是一个稳健的、与模型无关的框架，成功缓解了图基推荐系统中的流行度偏差，在保持高推荐准确性的同时增强了多样性和公平性。