推荐系统中上采样与正则化对提供者公平性的交互作用

考虑推荐对物品提供者的影响是多边推荐系统的职责之一。物品提供者是线上平台的关键利益相关方，其收益与规划受到其物品在推荐列表中曝光程度的影响。先前工作表明，以共同敏感属性（如性别或种族）刻画的某些提供者少数群体，正受到间接且无意的歧视的不成比例影响。本文研究一种情形：($i$) 同一提供者关联至推荐给用户的列表中的多个物品，($ii$) 一个物品由多个提供者联合创建，以及 ($iii$) 预测的用户-物品相关性分数对提供者群体物品存在偏置估计。在此场景下，我们通过模拟目录与交互中少数群体的多样表征，评估相关性、可见性与曝光上的差异。基于浮现的不公平结果，我们设计了一种在学习的用户-物品相关性分数时结合观测上采样与损失正则化的处理手段。在真实数据上的实验表明，我们的处理降低了相关性差异。所得推荐列表展现出更公平的可见性与曝光、更高的少数物品覆盖率，以及可忽略的推荐效用损失。