研究人员开发了一个名为SPACE（Supply- and Physics-Aware Conditional Embedding generation）的新框架，以解决下一兴趣点（POI）推荐系统中的公平性问题。这些系统通常偏爱热门地点，导致不太知名的POI曝光不足。SPACE旨在通过生成尊重用户约束和POI供应限制的虚拟用户数据来提高长尾POI的曝光率。该框架包括社区推理、不平衡最优传输分配和约束引导的潜在扩散等阶段，以创建用户嵌入。然后，可以使用这些生成的数据来训练现有的推荐模型，而无需进行架构更改，实验表明这可以提高提供者公平性并保持推荐准确性。 AI
影响 通过确保不太受欢迎的兴趣点获得充分的曝光，提高了基于位置服务的公平性。
排序理由 关于POI推荐新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
