公平性感知的跨域推荐
信息检索
2023-05-16 v2
摘要
跨域推荐（CDR）是缓解冷启动问题的有效途径。然而，以往工作在学习的映射函数（用于获取目标域中新用户的表示）时严重忽视了公平性与偏差。为研究此问题，本文提出一种公平性感知的跨域推荐模型，称为 FairCDR。我们的方法通过学习公平性感知的映射函数实现面向用户的组公平性。由于重叠数据十分有限且存在分布偏差，FairCDR 利用丰富的非重叠用户与交互来缓解这些问题。考虑到每个个体对模型公平性具有不同影响，我们提出一种基于影响函数（IF）的重新加权新方法，以在保持推荐准确性的同时降低不公平性。我们进行了大量实验以证明模型的有效性。
引用
@article{arxiv.2302.00158,
title = {Fairness-aware Cross-Domain Recommendation},
author = {Jiakai Tang and Xu Chen and Xueyang Feng},
journal= {arXiv preprint arXiv:2302.00158},
year = {2023}
}
备注
Reorganize the logical structure of the manuscript and supplement with necessary experiments