论文推荐中的多维公平性

为防止会议与期刊论文评审及遴选过程中的潜在偏差，多数采用双盲评审。尽管如此，研究表明偏差依然存在。论文评审的推荐算法也可能存在隐性偏差。我们提出三种公平方法，在论文推荐中具体考量作者多样性以解决这个问题。与典型仅使用单一受保护变量的公平算法不同，我们的方法可同时在多个受保护变量上给出公平结果。我们的多维作者画像包含五种人口统计学特征——性别、族裔、职业阶段、高校排名与地理位置。整体多样性方法利用整体多样性得分为出版物排序；轮询多样性技术依次从各受保护群体的作者中选取论文；而多面多样性方法优先选取能填补重要性最高人口特征的论文。我们比较了基于布尔特征与连续值特征的作者多样性画像的有效性。通过从SIGCHI 2017、DIS 2017与IUI 2017论文池中选取论文，我们为SIGCHI 2017推荐论文，并利用用户画像评估这些算法。我们将推荐的论文与会议实际录用的论文进行对比。我们发现，无论使用布尔还是连续特征值的画像，三种技术均在仅轻微降低或不降低效用的同时提升了多样性。我们的最佳技术——多面多样性，通过选择多样性高出42.50%且效用提升2.45%的作者，推荐出一组满足人口均等的论文。该策略可推广至资助提案、会议论文、期刊文章及其他学术任务的遴选。