神经公平协同过滤
信息检索
2020-09-21 v1 机器学习
机器学习
摘要
在社交媒体平台上，人类交互行为被数字化的比例日益增长，并受到算法决策的影响，确保这些算法的公平对待已变得愈发重要。在本工作中，我们研究基于社交媒体数据训练的协同过滤推荐系统中的性别偏差。我们提出神经公平协同过滤（NFCF），一种通过预训练与微调方法结合偏差校正技术，用于缓解在推荐敏感条目（如工作、专业方向或学习课程）时性别偏差的实用框架。我们在MovieLens数据集和Facebook数据集上分别展示了该方法在性别去偏差的职业与大学专业推荐中的效用，并取得了优于若干SOTA模型的性能与更公平的行为。
引用
@article{arxiv.2009.08955,
title = {Neural Fair Collaborative Filtering},
author = {Rashidul Islam and Kamrun Naher Keya and Ziqian Zeng and Shimei Pan and James Foulds},
journal= {arXiv preprint arXiv:2009.08955},
year = {2020}
}