推荐系统中面向消费者与生产者群体公平性优化的个性化框架

近年来，人们日益认识到，当机器学习（ML）算法被用于自动化决策时，可能会对个体或群体造成不公，并带来法律、伦理或经济方面的影响。推荐系统是帮助用户做出决策的此类机器学习（ML）系统的典型代表。以往关于推荐系统公平性的文献研究大多将用户公平性和物品公平性独立对待，忽略了推荐系统在双边市场中运作的事实。在本文中，我们提出了 CP-FairRank，一种基于优化的重排序算法，在一个联合目标框架中无缝整合了来自消费者和生产者双方的公平性约束。该框架具有可推广性，可考虑基于群体划分、推荐模型选择和领域的不同公平性设置，这是其关键特征之一。例如，我们证明，当（未）受保护消费者群体根据其活跃度和主流程度定义，而生产者群体根据其受欢迎程度定义时，该系统可以同时提高消费者和生产者公平性。为了进行实证验证，我们在八个数据集和四个主流协同过滤（CF）推荐模型上进行了大规模实验，证明我们提出的策略能够在不损害或仅极少损害整体推荐质量的情况下，提高消费者和生产者公平性，这证明了算法在避免数据偏差方面所能发挥的作用。