公平性可以通过提示实现吗？高风险推荐中基于提示的去偏策略
信息检索
2026-03-16 v1
摘要
大语言模型(LLMs)可以从姓名和代词等间接线索中推断出性别或年龄等敏感属性，从而可能使推荐产生偏差。虽然存在几种去偏方法，但它们需要访问LLMs的权重，计算成本高昂，且无法被普通用户使用。为填补这一空白，我们研究了LLM推荐系统(LLMRecs)中的隐式偏差，并探索基于提示的策略是否可以作为轻量级且易于使用的去偏方法。我们为LLMRecs贡献了三种偏差感知的提示策略。据我们所知，这是首个关于LLMRecs中基于提示的去偏方法的研究，重点关注用户的群体公平性。我们在3个LLM、4个提示模板、9个敏感属性值和2个数据集上的实验表明，我们提出的去偏方法（指示LLM保持公平）可以将公平性提升高达74%，同时保持相当的有效性，但在某些情况下可能会过度推广特定的人口统计群体。
引用
@article{arxiv.2603.12935,
title = {Can Fairness Be Prompted? Prompt-Based Debiasing Strategies in High-Stakes Recommendations},
author = {Mihaela Rotar and Theresia Veronika Rampisela and Maria Maistro},
journal= {arXiv preprint arXiv:2603.12935},
year = {2026}
}