面向解决协同推荐系统中个体用户不公平的反事实方法
信息检索
2026-03-17 v1 计算机与社会
机器学习
摘要
协同过滤（CF）是众多推荐系统（RS）中常用的变体，通过学习用户-物品交互中的隐藏模式来为用户推荐物品。传统 CF 模型提供的推荐常常偏斜。通常，这些模型学习并更新所有用户的嵌入向量，忽视对每个弱势用户个体偏差的关注。这导致某些用户接收到的推荐质量较差。这种对用户的不公平处理会损害企业利润。目前有 limited research 聚焦于解决个体用户不公平问题（IUUP）。现有文献采用显式探索性多臂老虎机、个体用户不公平指标和解释得分来处理此问题。尽管如此，这些工作阐明并识别了 underlying 个体用户不公平，但未提供解决方案。本文提出一种双步骤方法，用于识别并缓解推荐中的 IUUP。在本工作中，我们反事实地为候选用户（一次一个）引入新的交互，并随后分析这种扰动带来的收益。这是一种改善用户与其他用户及物品之间参与度的做法。因此，模型能够在用户之间学习有效的嵌入。为展示所提方法的有效性，我们在 MovieLens-100K、Amazon Beauty 和 MovieLens-1M 数据集上进行实验。实验结果验证了所提方法在现有技术之上的优势。
引用
@article{arxiv.2603.13253,
title = {A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System},
author = {Nikita Baidya and Bidyut Kr. Patra and Ratnakar Dash},
journal= {arXiv preprint arXiv:2603.13253},
year = {2026}
}