面向推荐系统用户导向公平性的处理中用户约束支配集方法
信息检索
2023-09-06 v1 计算机与社会
机器学习
摘要
推荐系统通常偏向于一小部分用户，导致推荐性能上的严重不公平，即用户导向公平性(UOF)问题。现有关于 UOF 的研究有限，且未能处理 UOF 问题的根源：优势用户与劣势用户之间的学习过程是不公平的。为解决此问题，我们提出一种处理中用户约束支配集(In-UCDS)框架，该通用框架可应用于任意骨干推荐模型以实现用户导向公平性。我们将 In-UCDS 分为两个阶段，即 UCDS 建模阶段与处理中训练阶段。在 UCDS 建模阶段，对每个劣势用户，我们提取一个包含若干与其相似的优势用户的约束支配集（用户簇）。在处理中训练阶段，我们通过计算公平性损失将劣势用户的表示向其对应簇拉近。通过将公平性损失与原始骨干模型损失相结合，我们同时解决了 UOF 问题并保持了整体推荐性能。在三个真实世界数据集上的综合实验表明，In-UCDS 优于当前最优方法，在取得更公平模型的同时具备更优的整体推荐性能。
引用
@article{arxiv.2309.01335,
title = {In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems},
author = {Zhongxuan Han and Chaochao Chen and Xiaolin Zheng and Weiming Liu and Jun Wang and Wenjie Cheng and Yuyuan Li},
journal= {arXiv preprint arXiv:2309.01335},
year = {2023}
}