FAST：一种考虑服务容量约束的公平性保障服务推荐策略
信息检索
2020-12-07 v1 机器学习
摘要
过多的客户数量常导致服务质量下降。然而，推荐系统忽视了服务的容量约束，这可能引发不满意的推荐。该问题可通过限制接收某项服务推荐的用户数量来解决，但这可能被视为不公平。本文提出一种新颖指标 Top-N Fairness，用于衡量带容量约束服务的多轮推荐中的个体公平性。考虑到用户通常仅受推荐中排名靠前项目的影响，Top-N Fairness 仅考虑由前 N 个服务组成的子列表。基于该指标，我们设计了 FAST，一种公平性保障的服务推荐策略（Fairness Assured service recommendation STrategy）。FAST 调整原始推荐列表，为用户提供保障多轮推荐长期公平性的推荐结果。我们从理论上证明了 FAST 的 Top-N Fairness 方差的收敛性质。FAST 在 Yelp 数据集与合成数据集上进行了测试。实验结果表明，FAST 在保持高推荐质量的同时实现了更好的推荐公平性。
引用
@article{arxiv.2012.02292,
title = {FAST: A Fairness Assured Service Recommendation Strategy Considering Service Capacity Constraint},
author = {Yao Wu and Jian Cao and Guandong Xu},
journal= {arXiv preprint arXiv:2012.02292},
year = {2020}
}