评估 RecBole 和 LensKit 中 itemKNN 的性能偏差
内容提要
RecBole 是一个高效的推荐系统库，提供多种推荐模型及其在数据集上的实现，涵盖协同过滤和个性化推荐，提出改进算法和模型以提升推荐效果和公平性。
延伸解读
评估偏差的来源与影响
文章指出，基于记忆的协同过滤方法中，Pearson和cosine相似性估算器存在噪声和特征值扩散问题，这可能导致性能偏差。此外，MovieLens数据集的评估可能受用户交互阶段、算法影响和交互顺序变化等因素干扰，与实际场景存在差异。这些因素提醒研究者在评估itemKNN时需注意数据特性和算法内在偏差。
改进算法对偏差的缓解
针对相似性估算器的噪声问题，文章提出了一种简单的重新缩放和噪声清理方案，使基于记忆的方法表现更好。同时，通过对比学习减少暴露偏差的CLRec和Multi-CLRec方法，在淘宝的在线A/B测试中显著降低了马太效应。这些改进策略为减少itemKNN在RecBole和LensKit中的性能偏差提供了可行方向。
标准化评估的实践意义
RecBole提供了73个模型在28个基准数据集上的实现，并具有标准化评估协议和GPU加速，这有助于在统一环境下比较itemKNN的性能。然而，文章也强调数据集和评估协议可能引入偏差，因此在使用RecBole和LensKit进行基准测试时，需结合具体场景谨慎解读结果，避免过度泛化。
Q&A
RecBole 是什么？
RecBole 是一个高效的推荐系统库，提供多种推荐模型及其在数据集上的实现。
RecBole 支持哪些类型的推荐？
RecBole 支持通用推荐、序列推荐、上下文感知推荐和基于知识的推荐。
RecBole 如何提升推荐效果和公平性？
通过改进算法和模型，包括噪声清理方案和对比学习方法，提升推荐效果和公平性。
什么是 CLRec 和 Multi-CLRec 方法？
CLRec 和 Multi-CLRec 是用于改善大规模推荐系统公平性、效率和准确性的对比学习方法。
RecBole 的评估协议有什么特点？
RecBole 具有标准化评估协议，适用于推荐系统的标准化实现和评估。
RecBole 在 GPU 加速执行方面表现如何？
RecBole 具有广泛的 GPU 加速执行能力，提升了推荐系统的运行效率。
