具有曝光公平性的快速在线排序

随着推荐系统日益成为在线内容排序与优先级划分的核心，它们对内容生产者的机会或收益影响越来越大。例如，推荐系统影响简历被推荐给哪位招聘者，以及音乐曲目、视频或新闻文章向谁曝光及曝光多少。这要求推荐方法不仅最大化（用户满意度的代理指标），还要考虑物品或物品组的曝光公平性。形式上，此类推荐通常通过在随机排序空间中最大化凹目标函数获得。当某物品的总曝光定义为其跨用户曝光之和时，每个用户的最优排序相互耦合，使优化过程具有挑战性。现有寻找这些排序的方法要么在批量设置中求解全局优化问题（即一次性对所有用户），难以规模化应用；要么基于理论保证较弱的启发式方法。本文提出首个高效的在线排序空间凹目标函数优化算法，适用于任意凹且光滑的目标函数（如曝光公平性中所用）。基于 Frank-Wolfe 算法的在线变体，我们证明该算法计算快速，可即时生成排序且计算代价主要由排序操作主导，内存高效，并具有强理论保证。与仅最大化用户侧性能的基线策略相比，我们的算法能以可忽略的计算开销将复杂的曝光公平性准则纳入推荐。