FairDgcl：基于动态图对比学习的公平性感知推荐

随着可信人工智能的不断发展，推荐系统中的公平性问题日益受到关注。当推荐系统基于用户敏感属性（如年龄、性别）对不同用户群体产生不平等结果时，即被认为是不公平的。一些研究者提出了基于数据增强的方法，旨在通过改变训练数据在不同用户群体间的偏态分布来缓解用户层面的不公平性。尽管这些方法取得了有希望的结果，但它们通常依赖于可能与现实不符的公平性相关假设，这可能会降低数据质量并对模型效果产生负面影响。为解决此问题，本文研究了如何实施高质量的数据增强以提高推荐公平性。具体而言，我们提出了FairDgcl，这是一个旨在提高推荐系统公平性的动态图对抗对比学习框架。首先，FairDgcl开发了一个包含视图生成器和视图判别器的对抗对比网络，以对抗方式学习生成公平的增强策略。然后，我们提出了两个动态、可学习的模型，在对比学习框架内生成对比视图，自动微调增强策略。同时，我们从理论上证明FairDgcl能够同时生成兼具公平性和准确性的增强表示。最后，在四个真实世界数据集上进行的综合实验证明了所提出的FairDgcl的有效性。