您的审稿人是否被平等对待？发现子群结构以改进垃圾评论检测中的公平性
机器学习
2023-05-09 v2
摘要
用户生成的产品评论是亚马逊、Yelp等在线商业的重要资产，而虚假评论盛行以误导消费者。GNN是利用连接审稿人、评论和目标产品的图拓扑来检测可疑审稿人的最先进方法。然而，不同审稿人群体间检测准确率的差异会降低审稿人的参与度和用户对评论网站的信任。与以往认为群体间差异导致不公平的观点不同，我们研究了群体内可引起不同群体待遇差异的子群结构。本文应对定义、近似和利用新的子群结构以实现公平垃圾检测的挑战。我们首先在评论图中识别出导致群体内准确率差异的子群结构。评论图上复杂的依赖关系使得剥离隐藏在更大群体中的子群十分困难。我们设计了一个可训练的模型，联合推断隐藏子群归属，并利用该归属校准跨群体的检测准确率。在三个大型Yelp评论数据集上与基线方法的全面比较表明，子群归属可被识别并用于提升群体公平性。
引用
@article{arxiv.2204.11164,
title = {Are Your Reviewers Being Treated Equally? Discovering Subgroup Structures to Improve Fairness in Spam Detection},
author = {Jiaxin Liu and Yuefei Lyu and Xi Zhang and Sihong Xie},
journal= {arXiv preprint arXiv:2204.11164},
year = {2023}
}