大型推荐模型对冷用户是否公平
信息检索
2022-03-01 v1
摘要
大型模型被在线推荐系统广泛使用以提升推荐性能。它们通常基于历史用户行为数据进行学习，以推断用户兴趣并预测未来用户行为（如点击）。事实上，在兴趣建模和未来行为预测中，具有更多历史行为的重度用户的行为通常比冷用户提供更丰富的线索。大型模型可能通过更多地从其行为模式中学习而偏向重度用户，从而给冷用户带来不公平。本文研究大型推荐模型是否对冷用户公平。我们实证表明，优化大型推荐模型的整体性能可能导致冷用户在性能下降方面的不公平。为解决该问题，我们提出一种基于自蒸馏的 BigFair 方法，该方法将模型在原始用户数据上的预测作为教师，以正则化在随机丢弃用户行为的增强数据上的预测，从而鼓励模型公平地捕捉重度与冷用户的兴趣分布。在两个数据集上的实验表明，BigFair 能在不损害重度用户性能的前提下，有效提升大型推荐模型对冷用户的性能公平性。
引用
@article{arxiv.2202.13607,
title = {Are Big Recommendation Models Fair to Cold Users?},
author = {Chuhan Wu and Fangzhao Wu and Tao Qi and Yongfeng Huang},
journal= {arXiv preprint arXiv:2202.13607},
year = {2022}
}