FairRank：面向新闻推荐的公平性感知单塔排序框架
信息检索
2022-04-04 v1
摘要
单塔模型广泛用于新闻推荐的排序阶段，以根据用户行为所指示的用户兴趣细粒度相关性准确排序候选新闻。然而，这些模型易继承训练点击数据中编码的与用户敏感属性（如人口统计特征）相关的偏差，并可能生成对具有某些属性的用户不公平的结果。本文提出 FairRank，一种面向新闻推荐的公平性感知单塔排序框架。由于候选新闻选择可能存在偏差，我们提出使用共享的候选感知用户模型分别将用户兴趣与真实展示的候选新闻及随机新闻匹配，以学习反映用户对候选新闻兴趣的候选感知用户嵌入，以及指示内在用户兴趣的候选不变用户嵌入。我们对两者施加对抗学习以减少敏感用户属性带来的偏差。此外，我们使用 KL 损失正则化从两个用户嵌入推断的属性标签使其相似，从而使模型捕获更少的候选感知偏差信息。在两个数据集上的广泛实验表明，FairRank 能以微小的性能损失提升多种单塔新闻排序模型的公平性。
引用
@article{arxiv.2204.00541,
title = {FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation},
author = {Chuhan Wu and Fangzhao Wu and Tao Qi and Yongfeng Huang},
journal= {arXiv preprint arXiv:2204.00541},
year = {2022}
}