FairRec：基于分解对抗学习的新闻推荐公平性感知方法
信息检索
2021-04-16 v2
摘要
新闻推荐对在线新闻服务十分重要。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性（如性别）的用户行为具有相似模式，新闻推荐模型很容易捕捉这些模式。这可能导致推荐结果中出现与敏感用户属性相关的偏差，例如总是向男性用户推荐体育新闻，这有失公平，因为用户可能无法接收到多样化的新闻信息。本文提出一种基于分解对抗学习与正交正则化的公平性感知新闻推荐方法，可缓解敏感用户属性偏差带来的新闻推荐不公平性。在我们的方法中，我们提出将用户兴趣模型分解为两个分量。一个分量旨在学习捕捉敏感用户属性偏差信息的偏差感知用户嵌入，另一个旨在学习仅编码与属性无关的用户兴趣信息的无偏差用户嵌入，用于公平性感知新闻推荐。此外，我们提出对偏差感知用户嵌入施加属性预测任务以增强其偏差建模能力，并对无偏差用户嵌入应用对抗学习以从中去除偏差信息。而且，我们提出一种正交正则化方法，鼓励无偏差用户嵌入与偏差感知用户嵌入正交，以更好区分二者。对于公平性感知新闻排序，我们仅使用无偏差用户嵌入。在基准数据集上的大量实验表明，我们的方法能在轻微性能损失下有效提升新闻推荐公平性。
引用
@article{arxiv.2006.16742,
title = {FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning},
author = {Chuhan Wu and Fangzhao Wu and Xiting Wang and Yongfeng Huang and Xing Xie},
journal= {arXiv preprint arXiv:2006.16742},
year = {2021}
}
备注
AAAI 2021