FairSync：确保分布式推荐检索中的摊销组曝光

为了追求公平和均衡发展，推荐系统 (RS) 通常优先考虑组公平性，确保特定群体在给定时期内维持最低水平的曝光。例如，RS 平台旨在根据其需求确保新提供者或特定类别物品获得足够的曝光。现代工业级 RS 通常采用两阶段流程：第一阶段（检索阶段）从分布在各个服务器上的数百万物品中检索数百个候选项，第二阶段（排序阶段）则专注于从第一阶段选出的物品中呈现一个小规模但准确的选择。现有确保摊销组曝光的工作主要集中在第二阶段，然而第一阶段对于该任务同样至关重要。如果没有高质量的候选集，第二阶段排序器就无法确保所需的组曝光。先前为第二阶段设计的公平感知工作通常需要访问和遍历所有物品。然而，在第一阶段，数百万物品分布式存储在服务器上，使得遍历所有物品变得不可行。如何在分布式检索过程中确保组曝光是一个具有挑战性的问题。为解决这一问题，我们引入了一种名为 FairSync 的模型，将该问题转化为一个受约束的分布式优化问题。具体而言，FairSync 通过将问题移至对偶空间来解决该问题，其中中心节点将历史公平数据聚合为一个向量并分发给所有服务器。为了权衡效率与准确性，使用梯度下降技术定期更新对偶向量的参数。在两个公共推荐检索数据集上的实验结果表明，FairSync 优于所有基线方法，在实现所需最低曝光水平的同时保持了高水平的检索准确率。