面向推荐系统的路径特定反事实公平性
信息检索
2023-09-18 v1
摘要
推荐系统(RSs)已成为在线平台不可或缺的一部分。随着对算法公平性关切的增长,RSs 不仅被期望提供高质量的个性化内容,还被要求不基于用户人口统计信息歧视用户。然而,现有 RSs 可能捕获敏感特征与观测用户行为间的不期望相关性,导致有偏推荐。多数公平 RSs 通过完全阻断敏感特征对推荐的影响来解决此问题。但由于敏感特征也可能以公平方式影响用户兴趣(如种族对基于文化的偏好),不加区分地消除敏感特征的所有影响不可避免地会退化推荐质量与必要的多样性。为应对此挑战,我们提出一种用于推荐的路径特定公平 RS(PSF-RS)。具体而言,我们将敏感特征与观测评分间所有公平与不公平相关性归纳为两个潜在代理中介,并基于路径特定反事实推断定义了路径特定偏置(PS-Bias)概念。受 Pearl 最小变化原则启发,我们通过将偏置的事实世界最小程度地转化为假设公平世界来处理 PS-Bias,其中可通过求解约束优化问题相应地学习公平 RS 模型。在技术部分,我们提出 PSF-RS 的可行实现,即 PSF-VAE,采用弱监督变分推断,稳健推断潜在中介,从而在不公平性被缓解的同时最大化保留必要的推荐多样性。在半仿真与真实世界数据集上的实验证明了 PSF-RS 的有效性。
引用
@article{arxiv.2306.02615,
title = {Path-Specific Counterfactual Fairness for Recommender Systems},
author = {Yaochen Zhu and Jing Ma and Liang Wu and Qi Guo and Liangjie Hong and Jundong Li},
journal= {arXiv preprint arXiv:2306.02615},
year = {2023}
}
备注
Accepted by KDD 2023 research track