基于用户相似性与效果差异度量个体用户公平性
计算机与社会
2026-02-04 v1 人工智能
信息检索
机器学习
摘要
个体用户公平性通常被理解为对相似用户的平等对待。在推荐系统中，已存在若干评估措施用于量化个体用户公平性。这些措施要么通过不考虑用户相似性的推荐效果得分差异来评估公平性，要么通过不考虑物品相关性的相似用户推荐物品差异来评估。然而，推荐效果差异和用户相似性在公平性中都至关重要，而现有措施尚未同时考虑这两者。简言之，现有的评估措施实现了对公平性定义的不完整。为填补这一空白，我们提出了配对用户不公平性（Pairwise User unFairness, PUF），一种新的个体用户公平性评估措施，考虑了效果差异和用户相似性。PUF是唯一能够表达这一重要区别的措施。我们在4个数据集和7个排序器上经验性地验证了PUF能够一致地实现这一目标，并且在变化用户相似性或效果时表现稳健。相比之下，其他所有措施要么对效果差异几乎不敏感，要么对用户相似性完全不敏感。我们贡献了第一个可可靠捕获用户相似性和效果的推荐系统评估措施。我们的代码：https://github.com/theresiavr/PUF-individual-user-fairness-recsys
引用
@article{arxiv.2602.02516,
title = {Measuring Individual User Fairness with User Similarity and Effectiveness Disparity},
author = {Theresia Veronika Rampisela and Maria Maistro and Tuukka Ruotsalo and Christina Lioma},
journal= {arXiv preprint arXiv:2602.02516},
year = {2026}
}
备注
Preprint of a work that has been accepted to ECIR 2026 Full Papers track as a Findings paper