面向负责任推荐系统的以数据为中心的多目标学习框架

推荐系统有效地引导用户在海量内容库中定位其所需信息。通常，推荐模型从用户效用角度被优化以提升准确率指标，如点击率或匹配相关性。然而，一个负责任的工业推荐系统不仅必须解决用户效用（对用户的责任），还须解决其他目标，包括增加平台收益（对平台的责任）、确保公平性（对内容创作者的责任）以及维持无偏性（对长期健康发展的责任）。多目标学习是实现负责任推荐系统的有力途径。尽管如此，现有方法面临两个挑战：难以在统一框架内扩展到异构目标，以及在优化过程中对目标优先级缺乏充分可控性，导致解不可控。本文提出一个以数据为中心的优化框架MoRec，统一了多样目标的学习。MoRec是一个三级框架：外层管理不同目标间的平衡，利用基于比例-积分-微分（PID）的控制器确保对主目标的预设正则化；中层利用符号梯度将目标感知优化转化为数据采样权重；内层采用标准优化器以采样数据更新模型参数。因此，MoRec可灵活支持各类目标，同时保持原模型不变。在两个公开数据集和一个工业数据集上的综合实验展示了MoRec的有效性、可控性、灵活性及帕累托效率，使其非常适于真实部署。