一种基于图的方法缓解推荐系统中的多边曝光偏差
信息检索
2021-07-09 v1 人工智能
摘要
公平性是推荐系统中一个关键的系统级目标，近期已受到广泛研究。一种特定形式的公平性为供应商曝光公平性，其目标是确保向用户提供的推荐中所有供应商的物品得到公平覆盖。这在多利益相关者推荐场景中尤为重要，其中可能不仅需要优化终端用户的效用，还需优化其他利益相关者（如希望其物品得到公平表示的物品卖家或生产者）的效用。此类供应商公平性有时通过试图增加聚合多样性以减轻流行度偏差并改善长尾物品在推荐中的覆盖来达成。在本文中，我们引入 FairMatch，一种通用的基于图的算法，作为推荐生成后的后处理方法来改善物品与供应商的曝光公平性。该算法迭代地将低可见性的高质量物品或来自低曝光供应商的物品添加到用户的最终推荐列表中。在两个数据集上与最先进基线的全面实验表明，FairMatch 在显著改善曝光公平性与聚合多样性的同时，保持了推荐的可接受相关性水平。
引用
@article{arxiv.2107.03415,
title = {A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems},
author = {Masoud Mansoury and Himan Abdollahpouri and Mykola Pechenizkiy and Bamshad Mobasher and Robin Burke},
journal= {arXiv preprint arXiv:2107.03415},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2005.01148