边际置信度感知的公平排序算法

排序系统在现代互联网服务中无处不在，包括在线市场、社交媒体和搜索引擎。传统上，排序系统只关注如何获得更好的相关性估计。当相关性估计可用时，它们通常采用以用户为中心的优化策略，即根据项目的估计相关性进行排序生成列表。然而，这种以用户为中心的优化忽略了项目提供方也从排序系统中获取效用的事实。现有研究表明，这种以用户为中心的优化会对项目提供方造成严重的不公平，进而导致项目提供方获得不公平的机会和经济收益。为了解决排序公平性问题，已提出了许多公平排序方法。然而，正如本文所示，这些方法可能并非最优，因为它们直接依赖于相关性估计，而未意识到其中的不确定性（即估计相关性的方差）。为了解决这种不确定性，我们提出了一种新颖的边际置信度感知公平算法，名为 MCFair。MCFair 在相关性估计以在线方式持续更新的同时，联合优化公平性和用户效用。在 MCFair 中，我们首先制定了一个包含不确定性、公平性和用户效用的排序目标。然后，我们直接使用该排序目标的梯度作为排序分数。我们从理论上证明了基于梯度的 MCFair 对于上述排序目标是最优的。在实证方面，我们在半合成数据集上发现 MCFair 是有效且实用的，并且与最先进的公平排序方法相比，能够提供更优越的性能。为便于复现，我们公开了代码 https://github.com/Taosheng-ty/WSDM22-MCFair。