面向推荐的联合多边曝光公平性
信息检索
2022-05-03 v1 人工智能
机器学习
摘要
推荐系统背景下关于曝光公平性的先前研究主要关注个体或物品组向系统个体用户的曝光差异。个体或物品组可能相对于用户组甚至所有用户被系统性欠曝光或过度曝光的问题则较少受到关注。然而，此类信息曝光的系统性差异可导致可观测的社会危害，例如对历史上被边缘化群体 withholding 经济机会（分配性危害）或放大性别化与种族化刻板印象（代表性危害）。此前，Diaz 等人开发了期望曝光度量——其融入了先前为信息检索开发的用户浏览模型——以研究内容对个体用户的曝光公平性。我们将他们提出的框架扩展，形式化了一系列曝光公平性度量，从消费者与生产者双视角联合建模该问题。具体而言，我们考虑两类利益相关者的群体属性，以识别并缓解超越个体用户与物品、朝向推荐中更系统性偏差的公平性关切。此外，我们研究并讨论了本文提出的不同曝光公平性维度间的关系，并展示如何针对所述公平性目标优化随机排序策略。
引用
@article{arxiv.2205.00048,
title = {Joint Multisided Exposure Fairness for Recommendation},
author = {Haolun Wu and Bhaskar Mitra and Chen Ma and Fernando Diaz and Xue Liu},
journal= {arXiv preprint arXiv:2205.00048},
year = {2022}
}