全面公平的元学习推荐系统

在推荐系统中，一个常见挑战是冷启动问题，即系统中新用户的互动非常有限。为应对此挑战，近期许多工作将元优化思想引入推荐场景，即仅通过少量过往互动物品来学习用户偏好。其核心思想是学习面向所有用户的全局共享元初始化参数，并分别将其快速适配为每个用户的局部参数。它们旨在从不同用户偏好学习中提取通用知识，从而利用学到的先验和少量训练数据快速适配未来新用户。然而，先前工作已表明推荐系统通常易受偏差和不公平的影响。尽管元学习在提升冷启动推荐性能上取得成功，公平性问题却被大幅忽视。本文中，我们提出一个全面的公平元学习框架，名为 CLOVER，用于确保元学习推荐模型的公平性。我们系统研究了推荐系统中的三类公平性——个体公平性、反事实公平性和群体公平性，并提议通过多任务对抗学习方案同时满足这三类公平性。我们的框架提供了一种适用于不同元学习推荐系统的通用训练范式。我们在三个真实世界数据集上基于代表性的元学习用户偏好估计器展示了 CLOVER 的有效性。实证结果表明，CLOVER 在实现全面公平的同时不损害整体冷启动推荐性能。