FairSort：面向双边平台个性化推荐的公平排序学习
计算机科学与博弈论
2024-12-10 v2 信息检索
摘要
传统推荐系统侧重于最大化用户满意度，通过推荐用户最喜欢的物品来实现。这种以用户为中心的方法可能导致供应商之间暴露分布不公平。相反，供应商中心的设计可能对用户不公平。因此，本文提出了一种重新排序模型FairSort，通过在用户侧公平性、供应商侧公平性和个性化推荐效用之间寻找折中方案。以往工作常将此问题视为 knapsack问题，将双边公平性作为约束条件加以纳入。本文采用一种新颖的视角，将每个推荐列表视为跑道而非 knapsack。在此视角下，跑道上的每个物品获得速度并在特定时间内运行，从而实现双边公平性的重新排序。同时，通过设计二分查找方法确保个性化推荐的最小效用保证，从而提供比基于knapsack问题的常规贪婪策略更可靠的推荐。我们进一步扩大了FairSort的适用范围，为在线和离线推荐场景分别设计了两个版本。理论分析和在真实数据集上的大量实验表明，FairSort能够在考虑用户和供应商双方公平性的同时，确保更可靠的个性化推荐。
引用
@article{arxiv.2412.00424,
title = {FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms},
author = {Guoli Wu and Zhiyong Feng and Shizhan Chen and Hongyue Wu and Xiao Xue and Jianmao Xiao and Guodong Fan and Hongqi Chen and Jingyu Li},
journal= {arXiv preprint arXiv:2412.00424},
year = {2024}
}