基于强化学习的交互式推荐中准确性与公平性的平衡
信息检索
2021-06-28 v1 计算机与社会
摘要
由于传统推荐系统可能引发的偏差与歧视，推荐中的公平性已引起越来越多的关注。在交互式推荐系统（IRS）中，用户偏好与系统的公平性状态随时间持续变化。现有的公平性感知推荐器主要在静态设定下考虑公平性。将现有方法直接应用于 IRS 会导致较差的推荐效果。为解决该问题，我们提出一种基于强化学习的框架 FairRec，以在 IRS 中动态维持准确性与公平性的长期平衡。用户偏好与系统的公平性状态被联合压缩至状态表示中以生成推荐。FairRec 旨在最大化我们设计的结合准确性与公平性的累积奖励。大量实验验证了 FairRec 能够在保持良好推荐质量的同时改善公平性。
引用
@article{arxiv.2106.13386,
title = {Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning},
author = {Weiwen Liu and Feng Liu and Ruiming Tang and Ben Liao and Guangyong Chen and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2106.13386},
year = {2021}
}