改进顺序推荐中的 Minimax 组公平性
信息检索
2025-01-31 v1
摘要
采用统一样本权重训练诸如 SASRec 等顺序推荐模型可获得良好的整体性能，但在特定用户组上可能表现不足。例如在人气偏差方面，主流用户接收的推荐优于精英内容观看者。为提升不同用户组间的推荐质量，我们探索了三种分布式鲁棒优化 (DRO) 方法：Group DRO、Streaming DRO 和条件价值风险 (CVaR) DRO。虽然 Group DRO 和 Streaming DRO 依赖于用户组标注，且难以处理属于多个用户组的用户，但 CVaR 不需要此类标注，可自然处理重叠用户组。在两个真实数据集上的实验表明，DRO 方法优于标准训练方法，其中 CVaR 取得最佳效果。此外，我们发现 Group DRO 和 Streaming DRO 对用于损失计算的用户组选择较为敏感。我们的贡献包括：(i) 将 CVaR 应用于推荐系统的新颖方法；(ii) 说明 DRO 方法在提升组指标及整体性能方面均有效；(iii) 表明 CVaR 在用户组相交的实际场景中具有有效性。
引用
@article{arxiv.2501.18117,
title = {Improving Minimax Group Fairness in Sequential Recommendation},
author = {Krishna Acharya and David Wardrope and Timos Korres and Aleksandr Petrov and Anders Uhrenholt},
journal= {arXiv preprint arXiv:2501.18117},
year = {2025}
}
备注
This paper has been accepted to the IR for Good track at ECIR 2025