基于对抗器的推荐系统特征公平性自动化

公平性是在推荐系统中被广泛讨论的话题，但其实际实施在定义敏感特征的同时保持推荐准确性方面面临挑战。我们提出特征公平性作为基础，以通过对各种特征组合定义的多样化群体实现公平对待。这通过平衡的特征泛化能力提高了整体准确性。我们通过对抗训练引入无偏特征学习，使用对抗扰动来增强特征表示。这些对抗器改善了欠表示特征的模型泛化能力。我们基于两种形式的特征偏差自动适应对抗器：特征值出现的频率和组合多样性。这使我们能够动态调整扰动强度和对抗训练权重。对具有较少组合多样性的特征值施加更强的扰动以改善泛化，而对低频特征赋予更高权重以解决训练不平衡问题。我们利用基于广泛应用的因子分解机（Factorization Machine）的自适应对抗扰动（AAFM）作为我们的主干模型。在实验中，AAFM 在公平性和准确性指标上都超越了强基线。AAFM 在单特征和多特征任务中擅长提供物品和用户公平性，展示了其通用性和可扩展性。为保持良好的准确性，我们发现对抗扰动必须被妥善管理：在训练期间，扰动不应过度持续，其强度应当衰减。