LTP-MMF：推荐反馈循环下面向长期提供者极大极小公平性的方法
信息检索
2024-09-17 v2
摘要
多利益相关者推荐系统涉及用户与提供者等多种角色。已有工作指出极大极小公平性（MMF）是支持弱势提供者的更好指标。然而，在考虑MMF时，这些角色的特征或参数随时间变化，如何保障长期提供者MMF已成为重大挑战。我们观察到推荐反馈循环（简称RFL）将极大影响长期的提供者MMF。RFL指推荐系统只能接收到用户对曝光物品的反馈，并基于此反馈增量更新推荐模型。利用该反馈时，推荐模型会将未曝光物品视为负例。如此，尾部提供者将无法获得曝光机会，其物品将始终被视为负样本。该现象在RFL中会愈演愈烈。为缓解此问题，本文提出一种名为长期提供者极大极小公平性（LTP-MMF）的在线排序模型。理论分析表明，LTP-MMF的长期遗憾（regret）具有亚线性上界。在三个公开推荐基准上的实验结果证明，LTP-MMF在长期表现上优于基线方法。
引用
@article{arxiv.2308.05902,
title = {LTP-MMF: Towards Long-term Provider Max-min Fairness Under Recommendation Feedback Loops},
author = {Chen Xu and Xiaopeng Ye and Jun Xu and Xiao Zhang and Weiran Shen and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2308.05902},
year = {2024}
}
备注
accepted in TOIS 2024