面向公平排序系统的端到端学习
机器学习
2021-11-23 v1 人工智能
摘要
学习排序问题旨在对物品进行排序，以最大化与用户查询最相关物品的曝光。此类排序系统的一个理想特性是保证指定物品组之间的某种公平性。尽管公平性近来已在学习的排序系统背景下被考虑，现有方法无法对所提排序策略的公平性提供保证。本文填补这一空白，引入公平排序的智能预测与优化（SPOFR），一种用于公平性约束学习排序的集成优化与学习框架。端到端 SPOFR 框架包含一个约束优化子模型，并产生保证满足公平性约束同时允许精细控制公平-效用权衡的排序策略。结果表明，在既定性能指标方面，SPOFR 显著改进了当前最先进的公平学习排序系统。
引用
@article{arxiv.2111.10723,
title = {End-to-end Learning for Fair Ranking Systems},
author = {James Kotary and Ferdinando Fioretto and Pascal Van Hentenryck and Ziwei Zhu},
journal= {arXiv preprint arXiv:2111.10723},
year = {2021}
}
备注
Under review