CPFair：面向推荐系统的个性化消费者与生产者公平性重排序

近来，人们日益意识到当机器学习(ML)算法被用于自动化选择时，它们可能不公平地对待/影响个体，并带来法律、伦理或经济后果。推荐系统是此类 ML 系统的显著例子，协助用户做出高风险判断。先前关于推荐系统公平性的文献研究中一个常见趋势是，多数工作将用户与物品公平性关注分开处理，忽视了推荐系统运行于双边市场的事实。在本工作中，我们提出一种基于优化的重排序方法，在联合目标框架中无缝整合来自消费者与生产者两侧的公平性约束。我们通过在 8 个数据集上的大规模实验证明，所提方法能够在不降低整体推荐质量的前提下改善消费者与生产者公平性，展示了算法在最小化数据偏差方面可发挥的作用。