FEIR：量化并降低有限资源公平推荐中的嫉妒感与劣势感
信息检索
2023-11-09 v1 机器学习
摘要
在电子招聘和在线约会等场景中，推荐涉及有限机会的分配，需要新颖的方法来量化和实施公平性。我们引入了“劣势感”（inferiority）这一新颖的（不）公平度量，用于量化用户在其被推荐物品上的竞争劣势。劣势感补充了“嫉妒感”（envy）这一衡量对他人推荐偏好程度的公平性概念。我们将劣势感与嫉妒感同“效用”（utility）——一种与准确度相关的聚合相关性分数度量——相结合。由于这些度量不可微分，我们借助推荐系统的概率解释对其重新表述，从而得到可微分版本。我们将这些损失函数组合为一个称为 \texttt{FEIR}（通过降低嫉妒感与劣势感实现公平，Fairness through Envy and Inferiority Reduction）的多目标优化问题，作为标准推荐系统的后处理步骤应用。在合成与真实世界数据上的实验表明，与朴素推荐及基线方法相比，我们的方法改善了劣势感、嫉妒感与效用之间的权衡。
引用
@article{arxiv.2311.04542,
title = {FEIR: Quantifying and Reducing Envy and Inferiority for Fair Recommendation of Limited Resources},
author = {Nan Li and Bo Kang and Jefrey Lijffijt and Tijl De Bie},
journal= {arXiv preprint arXiv:2311.04542},
year = {2023}
}