FairRoad：利用优化解毒数据实现推荐系统的公平性
信息检索
2022-12-14 v1 密码学与安全
计算机与社会
机器学习
摘要
如今，推荐系统在我们数字环境体验和社会互动的塑造中扮演着日益重要的角色。然而，随着推荐系统在社会中变得无处不在，近年来也出现了对推荐系统显著公平性问题的关注。具体而言，研究表明推荐系统可能继承甚至放大历史数据中的偏差，从而提供不公平的推荐。为解决推荐系统中的公平性风险，迄今为止大多数已有方法侧重于修改现有训练数据样本或已部署的推荐算法，但不幸收效有限。在本文中，我们提出一种称为基于优化解毒数据的公平推荐（FairRoad）的新方法，旨在通过构建一个小规模且精心制作的解毒数据集来改善推荐系统的公平性表现。为此，我们将解毒数据生成任务表述为一个数学优化问题，在最小化目标推荐系统不公平性的同时不破坏已部署的推荐算法。大量实验表明，我们提出的解毒数据生成算法以少量的解毒数据显著改善了推荐系统的公平性。
引用
@article{arxiv.2212.06750,
title = {FairRoad: Achieving Fairness for Recommender Systems with Optimized Antidote Data},
author = {Minghong Fang and Jia Liu and Michinari Momma and Yi Sun},
journal= {arXiv preprint arXiv:2212.06750},
year = {2022}
}
备注
Accepted by SACMAT 2022