FairRec：面向双边平台个性化推荐的双边公平性方法
人工智能
2026-02-26 v2 计算机科学与博弈论
摘要
我们研究了由一侧的客户与另一侧的生产者构成的双边在线平台中的公平推荐问题。传统上，这些平台中的推荐服务侧重于根据个体客户的个性化偏好定制结果，以最大化客户满意度。然而，我们的研究表明，这种以客户为中心的设计可能导致生产者之间曝光分配的不公平，从而对其福祉产生不利影响。另一方面，以生产者为中心的设计可能对客户不公平。因此，我们考虑跨越客户与生产者两方的公平性问题。我们的方法将公平推荐问题新颖地映射为公平分配不可分物品的约束版本问题。我们提出的 FairRec 算法保证大多数生产者至少获得最大最小份额（MMS）的曝光，且每位客户均满足至多嫉妒自由至一件物品（EF1）的公平性。在多个真实世界数据集上的广泛评估表明，FairRec 在确保双边公平性的同时，仅带来整体推荐质量的微小损失。
引用
@article{arxiv.2002.10764,
title = {FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms},
author = {Gourab K Patro and Arpita Biswas and Niloy Ganguly and Krishna P. Gummadi and Abhijnan Chakraborty},
journal= {arXiv preprint arXiv:2002.10764},
year = {2026}
}
备注
In Proceedings of The Web Conference (WWW) 2020