推荐系统中的用户侧公平性：方法与评估的系统综述

在当前数字化程度不断加深的格局中，我们正面临与可扩展性相关的重大挑战。推荐系统已在帮助用户浏览日益增长的数据量，以及反过来协助提供者向感兴趣用户营销产品方面变得不可或缺。近年来机器学习方法中歧视意识的增强，促使学术界与工业界研究如何保障推荐系统中的公平性。对于推荐系统，此类问题在职业推荐中表现明显，其中历史数据中的偏差可能导致推荐系统将某一性别与较低工资相关联或传播刻板印象。尤其是用户侧公平性，聚焦于缓解推荐系统用户所经历的歧视，已出现大量应对不同类型歧视的多样方法。所述歧视的性质取决于具体设置与所采用的公平性解释，而后者存在诸多变体。本综述作为对推荐系统用户侧公平性当前研究的系统概览与讨论。为此，提出了一种基于高层公平性解释的新分类法，并用于归类相关研究及其提出的公平性评估指标。最后，我们强调了该领域未来方向的一些建议。