基于大语言模型的推荐系统的物品侧公平性
信息检索
2024-02-26 v1
摘要
网络内容分发推荐系统与弱势群体的信息获取和曝光机会紧密相连。基于大语言模型的推荐系统（LRS）的出现，由于大语言模型（LLMs）固有的偏见，可能给推荐系统带来额外的社会挑战。从物品侧公平性的角度来看，鉴于 LRS 与传统推荐系统相比具有独特特征，目前仍缺乏对 LRS 物品侧公平性的全面调查。为填补这一空白，本研究考察了 LRS 在物品侧公平性方面的属性，揭示了历史用户交互和 LLM 固有语义偏见这两大影响因素，阐明了扩展传统物品侧公平性方法以适应 LRS 的必要性。为实现这一目标，我们开发了一个简洁有效的框架 IFairLRS，以增强 LRS 的物品侧公平性。IFairLRS 涵盖了构建 LRS 的主要阶段，并采用了专门调整的策略来校准 LRS 的推荐。我们利用 IFairLRS 在\textit{MovieLens}和\textit{Steam}数据集上微调了代表性 LLM LLaMA，并观察到物品侧公平性的显著改善。代码可见 https://github.com/JiangM-C/IFairLRS.git。
引用
@article{arxiv.2402.15215,
title = {Item-side Fairness of Large Language Model-based Recommendation System},
author = {Meng Jiang and Keqin Bao and Jizhi Zhang and Wenjie Wang and Zhengyi Yang and Fuli Feng and Xiangnan He},
journal= {arXiv preprint arXiv:2402.15215},
year = {2024}
}
备注
Accepted by the Proceedings of the ACM Web Conference 2024