FairSR：基于偏好图嵌入多任务学习的公平感知序列推荐
信息检索
2022-05-03 v1 机器学习
社会与信息网络
摘要
序列推荐（SR）从用户-物品交互的时间动态中学习以预测下一次交互。公平感知推荐缓解用户偏好学习中的多种算法偏差。本文旨在将 SR 与算法公平性相结合。我们提出一种新颖的公平感知序列推荐任务，其中定义了一种新度量——交互公平性，用于估计不同受保护属性组的用户对所推荐物品的交互公平程度。我们提出一种基于多任务学习的深度端到端模型 FairSR，其由两部分组成。一是从给定用户及其物品序列中学习并提炼个性化序列特征用于 SR。二是公平感知偏好图嵌入（FPGE）。FPGE 的目标有两方面：将用户与物品属性及其相关性的知识融入实体表示，以及缓解用户属性在物品上的不公平分布。在三个数据集上的大量实验表明，FairSR 在推荐性能上优于最先进的 SR 模型。此外，FairSR 推荐的物品也展现出良好的交互公平性。
引用
@article{arxiv.2205.00313,
title = {FairSR: Fairness-aware Sequential Recommendation through Multi-Task Learning with Preference Graph Embeddings},
author = {Cheng-Te Li and Cheng Hsu and Yang Zhang},
journal= {arXiv preprint arXiv:2205.00313},
year = {2022}
}
备注
ACM Trans. Intell. Syst. Technol. (TIST) 2022