Mitigación del sesgo de popularidad en el filtrado colaborativo basado en GNN mediante técnicas de des-biasing

Las redes neuronales gráficas (GNN) han demostrado ser altamente efectivas en el filtrado colaborativo (CF) al aprovechar los gráficos de interacción entre usuarios y artículos. Sin embargo, estos modelos enfrentan desafíos debido al sesgo de popularidad, donde la prominencia de los artículos más frecuentemente interactuados eclipsa a los menos populares. Este sesgo se ve agravado por la naturaleza del paso de mensajes en las GNN, que tiende a amplificar las señales de los artículos populares mientras disminuye la visibilidad de las opciones menos comunes. Los métodos tradicionales de des-biasing, como las estrategias de reponderación y las técnicas de post-procesamiento, no son efectivos en contextos de GNN, ya que no abordan adecuadamente el sesgo introducido durante la fase de agregación. Para abordar este problema, presentamos el marco de Des-biasing de la Amplificación de Popularidad en la Agregación (DPAA). Este enfoque innovador incorpora una ponderación de interacción adaptativa sensible a las representaciones de los usuarios y aplica una ponderación por capas para aumentar la visibilidad de los artículos menos comunes. Nuestros experimentos demuestran que el DPAA supera significativamente a los métodos existentes para corregir el sesgo de popularidad en el filtrado colaborativo basado en GNN, destacando su potencial para mejorar la diversidad en las recomendaciones.