Was ist Popularität-Bayas und wie dagegen vorgehen?

Der Popularitäts-Bias ist eine systematische Verzerrung in Empfehlungssystemen und maschinellen Lernalgorithmen, bei der populärere Objekte (z. B. Produkte, Filme, Artikel) unverhältnismäßig mehr Aufmerksamkeit und Empfehlungen erhalten, während weniger populäre Objekte unbeachtet bleiben. Dies führt zu einer geringeren Vielfalt der Empfehlungen und kann die Nutzererfahrung verschlechtern.

So bekämpft man den Popularitäts-Bias:

• Gewichtung oder Neubewertung der Daten: Das Gewicht populärer Objekte bei der Modellschulung verringern.
• Einführung von Vielfalt: Methoden verwenden, die zwischen Popularität und Vielfalt balancieren, z. B. durch Hinzufügen zufälliger oder seltener Objekte zu den Empfehlungen.
• Verwendung kontextbezogener oder personalisierter Modelle: Damit Empfehlungen nicht nur auf Popularität basieren, sondern auch auf individuellen Präferenzen.
• Regularisierung und Strafen: Strafen auf zu populäre Objekte in der Verlustfunktion anwenden.

Beispiel: In einem Film-Empfehlungssystem kann ein Parameter hinzugefügt werden, der die Wahrscheinlichkeit verringert, die populärsten Filme zu empfehlen, um weniger bekannte, aber relevante Filme zu fördern.