LinkedIn Talent Search外部公平性评估
计算机与社会
2025-11-17 v1 社会与信息网络
摘要
我们对LinkedIn Talent Search排序系统进行独立的第三方偏差审计，聚焦于性别和种族两大属性上的潜在排序偏差。为此，我们首先构建了一个由系统生成的排名数据集，跨越多样化职业查询集合，收集大量Talent Search结果。随后，我们开发了稳健的标注管道，用于推断感兴趣的两大人口统计属性。为评估收集到的真实世界排名数据集中的潜在偏差，我们利用两种暴露不平等指标：偏离群体比例的偏差和MinSkew。我们的分析显示，在许多查询中，少数族裔在前排存在欠表现。我们进一步检视了这种不平等的潜在原因，讨论了为何在查询的前排可能难以或在某些情况下不可能完全消除。除静态指标外，我们还研究了随时间的子组公平性概念，突出显示暴露和保留的时间差异，这在实践中往往更难审计。在雇主招聘平台如LinkedIn Talent Search中，候选人在排名中持续数天的存活率直接影响其被机会选中概率。我们的分析显示，这些人口统计特征在时间稳定性方面存在差异，部分群体在排名位置上的波动性更大。我们将所有发现置于LinkedIn其已发布的Talent Search系统自审报告旁讨论，并反思黑盒外部评估的方法论限制，包括可见性有限和人口统计属性推断的噪声问题。
引用
@article{arxiv.2511.10752,
title = {An External Fairness Evaluation of LinkedIn Talent Search},
author = {Tina Behzad and Siddartha Devic and Vatsal Sharan and Aleksandra Korolova and David Kempe},
journal= {arXiv preprint arXiv:2511.10752},
year = {2025}
}