P-MMF：推荐系统中的供应方极大极小公平重排序
信息检索
2023-03-14 v1
摘要
在本文中，我们从供应方的角度解决公平推荐问题，这在多利益相关方推荐系统中已变得愈发重要。现有关于供应方公平的研究通常侧重于设计比例公平（PF）指标，这类指标首先考虑系统性公平。然而社会学研究表明，为使市场更加稳定，极大极小公平（MMF）是更好的指标。其主要原因在于，MMF 旨在优先提升最弱势者的效用，引导系统扶持处于弱势市场地位的供应方。将 MMF 应用于推荐系统时，如何在线推荐场景下平衡用户偏好与供应方公平仍是一个具有挑战性的问题。本文提出一种名为供应方极大极小公平重排序（P-MMF）的在线重排序模型来解决该问题。具体而言，P-MMF 将供应方公平推荐表述为一个资源分配问题，其中曝光位置被视为待分配给供应方的资源，极大极小公平被用作过程中的正则化项。我们证明该问题可进一步表示为正则化在线优化问题，并可在其对偶空间中高效求解。在在线重排序阶段，设计了一种动量梯度下降方法来进行动态重排序。理论分析表明 P-MMF 的遗憾值可被界定。在四个公开推荐数据集上的实验结果表明，P-MMF 优于最先进的基线方法。实验结果还显示，P-MMF 在包含大量物品的语料上能保持较小的计算开销。
引用
@article{arxiv.2303.06660,
title = {P-MMF: Provider Max-min Fairness Re-ranking in Recommender System},
author = {Chen Xu and Sirui Chen and Jun Xu and Weiran Shen and Xiao Zhang and Gang Wang and Zhenghua Dong},
journal= {arXiv preprint arXiv:2303.06660},
year = {2023}
}
备注
Accepted in WWW23