FACTER：面向公平性感知的共形阈值设定与提示工程，赋能基于大语言模型的公平推荐系统
信息检索
2025-02-06 v1 人工智能
计算机与社会
机器学习
摘要
我们提出 FACTER，一个面向基于大语言模型的推荐系统的公平性感知框架，该框架将共形预测与动态提示工程相结合。通过引入自适应语义方差阈值和违规触发机制，FACTER 能在出现偏差模式时自动收紧公平性约束。我们进一步开发了一个对抗性提示生成器，利用历史违规记录来减少重复的人口统计学偏差，而无需重新训练大语言模型。在 MovieLens 和 Amazon 数据集上的实验结果表明，FACTER 在保持较高推荐准确性的同时，大幅减少了公平性违规（最高达 95.5%），揭示了语义方差是偏差的一个有效代理指标。
引用
@article{arxiv.2502.02966,
title = {FACTER: Fairness-Aware Conformal Thresholding and Prompt Engineering for Enabling Fair LLM-Based Recommender Systems},
author = {Arya Fayyazi and Mehdi Kamal and Massoud Pedram},
journal= {arXiv preprint arXiv:2502.02966},
year = {2025}
}