PerFairX：大型语言模型推荐中公平性与人格性之间是否存在平衡？
计算机与社会
2025-09-12 v1 人工智能
信息检索
摘要
将大型语言模型（LLM）集成到推荐系统中，使能够通过基于提示的交互实现零-shot、基于人格的个性化推荐，为用户导向的推荐提供了新范式。然而，通过OCEAN模型融入用户人格特征，凸显了实现心理对齐与确保人口统计公平性之间的关键张力。为此，我们提出了PerFairX，一个统一的评估框架，用于量化个性化与人口统计平等之间的权衡。我们在中性和人格敏感提示下，对来自MovieLens 10M和Last.fm 360K数据集的两个最先进LLMs（ChatGPT和DeepSeek）进行基准测试。我们的结果表明，人格感知提示显著提高了与个体特征的对齐，但可能加剧了人口统计群体间的公平性差异。具体而言，DeepSeek实现了更强的心理匹配，但对提示变体的敏感性更高；而ChatGPT提供了稳定但较不够个性化的输出。PerFairX为指导开发既公平又心理导向的LLM推荐系统提供了原则性基准，为开发持续学习环境中的包容性、以用户为中心的AI应用做出了重要贡献。
引用
@article{arxiv.2509.08829,
title = {PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?},
author = {Chandan Kumar Sah},
journal= {arXiv preprint arXiv:2509.08829},
year = {2025}
}
备注
10 pages, 5 figures. Accepted to the Workshop on Multimodal Continual Learning (MCL) at ICCV 2025. @2025 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), ICCV's 2025