度量物品全局残值以实现公平推荐
信息检索
2023-07-18 v1
摘要
在信息爆炸时代，每天涌现大量物品，尤其在信息流场景中。由于系统展示槽位与用户浏览注意力有限，各类推荐系统不仅被设计用于满足用户个性化信息需求，也用于分配物品曝光。然而，近期推荐研究主要聚焦于建模用户偏好以呈现满意结果并最大化用户交互，甚少关注建立物品侧公平曝光机制以实现合理信息分发。这可能导致物品侧严重的资源分配问题，如雪球效应。此外，不公平曝光机制可能损害推荐性能。本文呼吁将注意力从建模用户偏好转向建立物品公平曝光机制。我们首先对信息流场景进行实证分析，探究不同上传时间物品间的曝光问题。这指出由时间因素导致的不公平曝光可能是雪球效应的主因。随后，我们提出显式建模物品级定制时效性分布——全局残值（GRV），以实现公平资源分配。该 GRV 模块通过所设计的时效性感知公平推荐框架（TaFR）引入推荐。在两份数据集上的大量实验表明，TaFR 与多种骨干推荐模型均取得一致提升。通过建模物品侧定制全局残值，我们实现了更公平的资源分布，同时提升了推荐性能。
引用
@article{arxiv.2307.08259,
title = {Measuring Item Global Residual Value for Fair Recommendation},
author = {Jiayin Wang and Weizhi Ma and Chumeng Jiang and Min Zhang and Yuan Zhang and Biao Li and Peng Jiang},
journal= {arXiv preprint arXiv:2307.08259},
year = {2023}
}