面向排序公平性的策略学习
机器学习
2019-06-28 v2 计算机与社会
信息检索
机器学习
摘要
传统的排序学习（LTR）方法优化排序对用户的效用，却忽视了排序对所列条目的影响。然而，人们日益认识到后者对于广泛的排序应用（如在线市场、工作安置、招生）十分重要。为满足这一需求，我们提出了一种通用LTR框架，可在满足条目曝光公平性约束的同时优化一系列效用指标（如NDCG）。该框架将可学习的排序函数类扩展至随机排序策略，为严格表达公平性规范提供了语言。此外，我们提出了一种称为Fair-PG-Rank的新LTR算法，通过策略梯度方法直接搜索公平排序策略空间。除在推导框架与算法时的理论依据外，我们在模拟和真实世界数据集上提供了实证结果，验证了该方法在个体与群体公平性设置下的有效性。
引用
@article{arxiv.1902.04056,
title = {Policy Learning for Fairness in Ranking},
author = {Ashudeep Singh and Thorsten Joachims},
journal= {arXiv preprint arXiv:1902.04056},
year = {2019}
}