以火攻火：利用解毒数据改善推荐系统的极化与公平性
信息检索
2019-01-29 v4 机器学习
机器学习
摘要
推荐系统在社会诸多方面日益增长的作用使得考量此类系统如何影响社会公益变得至关重要。为改善推荐算法在特定社会相关指标上的表现，已有多种修改方案被提出。然而，先前的提案通常不易适配不同指标，且一般要求具备修改现有系统输入、系统算法或系统输出的能力。作为替代，本文引入通过向输入添加更多数据来改善推荐系统输出社会合意性的思路，我们将此方法视为向系统提供“解毒”数据。我们形式化了解毒数据问题，并开发了基于优化的解法。我们以矩阵分解推荐方法为模型系统，提出一组用于刻画推荐极化或公平性的指标。随后我们展示如何为各指标生成解毒数据，指出若干计算效率要点，并讨论对系统整体准确率的影响。实验表明，适度的解毒数据预算可显著改善推荐的极化或公平性。
引用
@article{arxiv.1812.01504,
title = {Fighting Fire with Fire: Using Antidote Data to Improve Polarization and Fairness of Recommender Systems},
author = {Bashir Rastegarpanah and Krishna P. Gummadi and Mark Crovella},
journal= {arXiv preprint arXiv:1812.01504},
year = {2019}
}
备注
References to appendices are fixed