缩小性别工资差距：职位推荐中的对抗公平性
机器学习
2022-09-22 v1 信息检索
摘要
本工作的目标是通过基于求职者简历提供无偏的职位推荐，来帮助缓解已存在的性别工资差距。我们采用生成对抗网络(generative adversarial network, GAN)从 1200 万条职位空缺文本和 90 万份简历的 word2vec 表示中去除性别偏见。我们的结果表明，由招聘文本创建的表示包含算法偏见，且该偏见对推荐系统造成现实后果。若不控制偏见，在我们的数据中女性被推荐的职位薪资显著更低。使用对抗公平表示后，该工资差距消失，意味着我们的去偏职位推荐减少了工资歧视。我们得出结论：词表示的对抗去偏能够提升系统的现实公平性，从而可能成为构建公平性感知推荐系统解决方案的一部分。
引用
@article{arxiv.2209.09592,
title = {Closing the Gender Wage Gap: Adversarial Fairness in Job Recommendation},
author = {Clara Rus and Jeffrey Luppes and Harrie Oosterhuis and Gido H. Schoenmacker},
journal= {arXiv preprint arXiv:2209.09592},
year = {2022}
}