动态推荐系统中流行度偏差的度量指标
计算机与社会
2023-10-13 v1 人工智能
摘要
尽管推荐系统 (RecSys) 在日常生活中应用广泛，但关于量化此类系统中存在的不公平与偏差的研究相当有限。先前的工作主要聚焦于判定 RecSys 是否存在歧视，而未计算这些系统中存在的偏差量。有偏的推荐可能导致对个体、敏感用户群体和社会产生潜在不利影响的决策。因此，量化这些偏差对于系统的公平和安全商业应用十分重要。本文聚焦于量化直接源于 RecSys 模型输出、导致热门物品被过度推荐（可能偏离用户偏好）的流行度偏差。我们提出了四种用于量化动态设定下不同敏感用户群体中 RescSys 随时间变化的流行度偏差的指标。这些指标在文献中两个常用基准数据集上训练的四种基于协同过滤的 RecSys 算法上得到了演示。所得结果表明，联合使用所提指标可全面理解敏感群体间随时间增长的处理差异。
引用
@article{arxiv.2310.08455,
title = {Metrics for popularity bias in dynamic recommender systems},
author = {Valentijn Braun and Debarati Bhaumik and Diptish Dey},
journal= {arXiv preprint arXiv:2310.08455},
year = {2023}
}