摘要

推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）构建模型，以提供个性化的项目排序列表。由于用户偏好的不同，这些交互通常不均匀地分布在不同的项目组上。然而，作者表明，推荐算法可以继承甚至放大这种不平衡的分布，导致对项目组的不公平推荐。具体地说，作者将基于排名的统计均等（statistical parity）和机会均等（equal opportunity）的概念形式化为项目组个性化排名推荐中公平的两个衡量标准。然后，经验表明，最广泛采用的算法之一——贝叶斯个性化排序——产生了不公平的推荐，这促使作者努力提出新的公平感知个性化排序模型。该去偏模型能够在保持推荐性能的同时，提高这两种公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型有很强的公平性改进。

1 介绍

推荐器提出的社会和伦理问题越来越受到关注，包括过滤气泡、透明度和问责制等问题。特别是，项目推荐不公平——其中一个或多组项目被系统地降低了推荐机会——是个性化排名推荐者中最常见但最有害的问题之一。在用于学习推荐器的场景中，训练数据由于在真实世界的中固有的偏好分布不均匀，对不同项目组的反馈分布并不均匀。例如，非营利性工作的广告可能会以比高薪工作更低的速度被点击，因此，针对这个倾斜数据进行训练的推荐模型将继承甚至放大这种不平衡的分布。这可能会导致非营利性工作的广告被不公平地降低推荐机会。

以往关于推荐公平性的研究主要集中在研究如何对不同项目组产生相似的预测得分分布（换句话说，通过消除预测偏好得分时群体信息的影响）这些工作的主要缺点是，它们主要关注于预测的偏好得分的角度。然而，在实践中，预测的分数是迈向作为最终推荐结果的项目排名列表的中间步骤，拥有相似的预测分数并不一定会导致公平的排名结果，这表明直接衡量公平比排名而不是分数的重要性。

以最常用的概念——统计均等（或人口均等）为例——例如，统计均等的公平性鼓励不同的群体有相似的预测分数。图1a显示了统计均等约束下的一个示例，其中行表示用户，蓝色正方形和红色圆圈表示两组不同的项目。每组有三个项目。矩阵中的数字是从用户到项目的预测分数。这些项目按每个用户的分数按降序排序。前2个项目推荐给用户，一些圆圈和正方形项目中的黄色背景代表积极的基本事实。在本例中，蓝色平方组和红色圆组具有完全相同的分数分布（在此范围内的均匀分布[1.6,3.0]）。但是，推荐结果对红色圆组是不公平的，因为只有两个项目。因此，我们提出了两种新的直接计算的公平指标——基于排名的统计均等(RSP)和基于排名的机会均等(REO)。

示例：基于排名的统计均等

与传统的基于分数的统计均等不同，RSP鼓励被推荐的不同组（排名在前

论文阅读-Fairness-aware Personalized Ranking Recommendation viaAdversarial Learning相关推荐

【论文阅读】Geography-Aware Sequential Location Recommendation
[论文阅读]Geography-Aware Sequential Location Recommendation 前言顺序位置推荐在许多应用中发挥着重要作用,如移动性预测.路线规划和基于位置的广告. ...
模型预测控制与强化学习-论文阅读（一）Integration of reinforcement learning and model predictive
模型预测控制与强化学习-论文阅读(一)Integration of reinforcement learning and model predictive 最近才把初步的研究方向定下来,导师放养,实验 ...
论文笔记：BPR-Bayesian Personalized Ranking from Implicit Feedback | 推荐系统BPR算法分析
BPR:Bayesian Personalized Ranking from Implicit Feedback 论文链接:BPR:Bayesian Personalized Ranking from ...
论文阅读：曝光过度，曝光不足增强算法Learning to Correct Overexposed and Underexposed Photos
论文阅读:Learning to Correct Overexposed and Underexposed Photos 需要解决的问题: 曝光误差可能是由多种因素造成的,例如TTL测光的测量误差.硬 ...
论文阅读 Adaptive Consistency Regularization for Semi-Supervised Transfer Learning
Adaptive Consistency Regularization for Semi-Supervised Transfer Learning 论文题目:自适应一致性正则化方法用于半监督迁移学习 ...
【论文阅读】Siamese Neural Network Based Few-Shot Learning for Anomaly Detection in Industrial Cyber-Physi
文章目录 Abstract 1. Introduction 2. Related Work 2.1 Anomaly Detection techniques for CPS 2.2 Few-Shot ...
【论文阅读】3D点云 -- PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
前言本博客详解遵从论文讲述的顺序.但我们要明确该论文的要点,以更好的阅读论文:针对点云的3个特性,pointnet设计的应对方法,以及设计理念. 点云的无序性:网络使用了对称函数 (maxpooli ...
【论文阅读笔记】Efficient and Secure Federated Learning With Verifiable Weighted Average Aggregation
个人阅读笔记,若有错误欢迎指正期刊:2023 TNSE 论文链接: Efficient and Secure Federated Learning With Verifiable Weighted ...
[论文阅读] Prototype Augmentation and Self-Supervision for Incremental Learning
论文地址:https://openaccess.thecvf.com/content/CVPR2021/html/Zhu_Prototype_Augmentation_and_Self-Supervi ...
论文阅读笔记《Neural Graph Matching Network: Learning Lawler’s Quadratic Assignment Problem With Extension》
核心思想该文提出一种图匹配神经网络用于解决Lawler's形式的二次分配问题,并将其推广到超图匹配和多图匹配领域.在之前的文章中,我们介绍过图匹配问题通常被定义为一种二次分配问题(QAP),通常 ...

论文阅读-Fairness-aware Personalized Ranking Recommendation viaAdversarial Learning

摘要

1 介绍

论文阅读-Fairness-aware Personalized Ranking Recommendation viaAdversarial Learning相关推荐

最新文章

热门文章