推荐系统中的消费者公平性：定义与缓解措施的语境化分析
信息检索
2022-08-24 v2
摘要
通过引入消费者公平性来实现推荐系统终端用户的非歧视是一项关键问题，在学术界和工业界均得到广泛研究。当前研究已产生多种公平性概念、度量指标和不公平缓解流程。各流程的评估方式参差不齐，且仅限于与未考虑公平性的模型进行简单对比。因此，很难将每种缓解流程相对于其他流程的影响置于具体语境中理解。本文针对评分预测和 top-n 推荐任务中的消费者不公平问题，对缓解流程进行了系统分析。为此，我们收集了近期顶级会议和期刊提出的 15 种流程，其中仅 8 种可被复现。在基于两个公开数据集的统一评估协议下，我们研究了这些流程对推荐效用和消费者公平性的影响程度、基于公平（equity）与独立（independence）的两种主要公平性概念之间的相互作用，以及受差异性影响危害的人口群体。我们的研究最终指出了该领域的开放挑战与未来方向。源代码见 https://github.com/jackmedda/C-Fairness-RecSys。
引用
@article{arxiv.2201.08614,
title = {Consumer Fairness in Recommender Systems: Contextualizing Definitions and Mitigations},
author = {Ludovico Boratto and Gianni Fenu and Mirko Marras and Giacomo Medda},
journal= {arXiv preprint arXiv:2201.08614},
year = {2022}
}
备注
Accepted at the 44th European Conference on Information Retrieval (ECIR 2022)