Multi-FR：一种面向多利益相关方公平感知推荐的多目标优化框架
信息检索
2022-08-10 v3
摘要
如今，大多数在线服务托管于多利益相关方市场，其中消费者与生产者可能具有不同目标。然而，传统推荐系统主要聚焦于通过向每个个体推荐最相关项来最大化消费者满意度。这可能导致物品曝光不公平，从而损害生产者利益。此外，它们并不关心来自不同人口群体的消费者是否得到同等满足。为应对这些局限，我们提出一种面向公平感知推荐的多目标优化框架Multi-FR，它以帕累托最优保证自适应地平衡各利益相关方的准确性与公平性。我们首先提出关于消费者与生产者的四项公平约束。为以端到端方式训练整个框架，我们利用平滑排序与随机排序策略使这些公平准则可微并利于反向传播。随后，我们采用多梯度下降算法生成帕累托解集，并由最小痛苦策略从中选取最合适的解。实验结果表明，相较于最先进方法，Multi-FR在保持几乎相同推荐准确性的同时，大幅改善了多利益相关方的推荐公平性。训练效率研究证实了我们的模型高效同时优化多利益相关方不同公平约束的能力。
引用
@article{arxiv.2105.02951,
title = {Multi-FR: A Multi-objective Optimization Framework for Multi-stakeholder Fairness-aware Recommendation},
author = {Haolun Wu and Chen Ma and Bhaskar Mitra and Fernando Diaz and Xue Liu},
journal= {arXiv preprint arXiv:2105.02951},
year = {2022}
}
备注
29 pages