面向推荐的公平自适应负采样
信息检索
2023-02-17 v1
摘要
成对学习策略在隐式反馈数据上优化推荐模型十分普遍，其通常通过区分正样本（即被用户点击）与负样本（即通过负采样获得）来学习用户偏好。然而，不同物品组（由物品属性指定）的规模通常分布不均。我们通过实证发现，成对算法（如 BPR）常用的均匀负采样策略会继承此类数据偏差，并将多数物品组作为负样本过采样，严重损害物品侧的组公平性。本文提出一种公平自适应负采样方法（FairNeg），通过在训练过程中自适应调整组级负采样分布来改善物品组公平性。具体而言，它首先在每一步感知模型的不公平状态，随后采用自适应动量更新策略调整组级采样分布，以更好地促进公平性优化。此外，提出一种负采样分布混合（Mixup）机制，优雅地结合了现有的面向挖掘信息量负样本的重要性感知采样技术，从而实现多重优化目标。在四个公开数据集上的大量实验表明，我们所提方法在组公平性提升与公平-效用权衡方面具有优越性。
引用
@article{arxiv.2302.08266,
title = {Fairly Adaptive Negative Sampling for Recommendations},
author = {Xiao Chen and Wenqi Fan and Jingfan Chen and Haochen Liu and Zitao Liu and Zhaoxiang Zhang and Qing Li},
journal= {arXiv preprint arXiv:2302.08266},
year = {2023}
}
备注
Accepted by TheWebConf2023