COFFEE：可解释推荐中个性化文本生成的因果公平性
计算与语言
2023-10-24 v2 计算机与社会
信息检索
机器学习
摘要
随着语言模型日益融入我们的数字生活，个性化文本生成（PTG）已成为一个具有广泛应用的关键组件。然而，常用于 PTG 模型训练的用户书写文本中所固有的偏见，可能无意中将不同水平的语言质量与用户的受保护属性相关联。模型会继承该偏见，并在生成文本时针对用户受保护属性延续不平等，从而在服务用户时导致不公平对待。在本工作中，我们研究了推荐个性化解释生成背景下 PTG 的公平性问题。我们首先讨论了生成解释中的偏见及其公平性影响。为促进公平，我们引入了一个通用框架，以在解释生成中实现特定度量的反事实公平性。大量实验与人工评估证明了我们方法的有效性。
引用
@article{arxiv.2210.15500,
title = {COFFEE: Counterfactual Fairness for Personalized Text Generation in Explainable Recommendation},
author = {Nan Wang and Qifan Wang and Yi-Chia Wang and Maziar Sanjabi and Jingzhou Liu and Hamed Firooz and Hongning Wang and Shaoliang Nie},
journal= {arXiv preprint arXiv:2210.15500},
year = {2023}
}
备注
This is a long paper accepted by the Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP 2023)