面向大规模推荐系统的公平矩阵分解
信息检索
2022-11-22 v2
摘要
推荐系统受到各种要求的制约，例如排序质量、优化效率和物品公平性。物品公平性在实际系统中是一个新兴但紧迫的问题。物品公平性的概念要求通过考虑为用户推荐的整个排序集合来控制物品的机会（例如曝光）。然而，公平性的内在本质破坏了用户和物品优化子问题的可分离性，而这是传统可扩展算法（如隐式交替最小二乘（iALS））的一个基本性质。因此，很少有公平性感知的方法可用于大规模物品推荐。由于从业者缺乏简单的工具，不公平问题将付出高昂的解决代价，或者在最坏情况下被放弃。本研究通过开发一种简单且可扩展的、用于公平性感知物品推荐的协同过滤方法，朝着解决现实世界不公平问题迈出了一步。我们构建了一种名为 fiADMM 的方法，它继承了 iALS 的可扩展性并保持了可证明的收敛保证。
引用
@article{arxiv.2209.04394,
title = {Fair Matrix Factorisation for Large-Scale Recommender Systems},
author = {Riku Togashi and Kenshi Abe},
journal= {arXiv preprint arXiv:2209.04394},
year = {2022}
}
备注
Extended version of the paper presented at FAccTRec 2022