面向图协同过滤的公平数据增强
信息检索
2024-08-23 v1 机器学习
摘要
最近的推荐技术发展利用图神经网络（GNN）的协同能力，从用户-物品网络中学习用户偏好。尽管不断涌现的监管措施旨在解决自动系统的公平性问题，但来自消费者视角的图协同过滤公平性问题仍鲜有探讨。尽管已有大量关于消费者不公平性的研究贡献，但仅有少数工作聚焦于GNN。在最新缓解算法的形式化化、有效性及其在前沿模型上的可靠性方面，仍存在显著空白。本文作为回应近期研究中图协同过滤公平性问题的最新工作，复现了其中一种最新的缓解方法。该复现技术通过学习公平图数据增强来调整系统公平性水平。在基于11个GNN模型、5个非GNN模型以及5个来自不同领域的真实网络的实验设置下，我们的调查发现，公平图数据增强在高效能模型和大规模数据集上始终有效。对公平增强图可迁移性的实验开启了未来推荐研究的新问题。源码：https://github.com/jackmedda/FA4GCF。
引用
@article{arxiv.2408.12208,
title = {Fair Augmentation for Graph Collaborative Filtering},
author = {Ludovico Boratto and Francesco Fabbri and Gianni Fenu and Mirko Marras and Giacomo Medda},
journal= {arXiv preprint arXiv:2408.12208},
year = {2024}
}