实用的组合公平性：理解多组件推荐系统中的公平性

我们如何构建考虑公平性的推荐系统？真实世界的推荐系统通常由多个模型组成，并由多个团队构建。然而，大多数关于公平性的研究集中于改进单一模型中的公平性。此外，近期关于分类公平性的研究表明，组合多个“公平”的分类器仍可能导致“不公平”的分类系统。这带来了一个重大挑战：我们如何理解和改进由多个组件组成的推荐系统中的公平性？在本文中，我们研究推荐公平性的组合性。我们考虑了两种近期提出的公平性排序度量：曝光平等（equality of exposure）和成对排序准确率（pairwise ranking accuracy）。虽然我们表明推荐中的公平性不能保证组合，但我们提供了一组条件下个体模型公平性确实可组合的理论。我们随后提出了一个分析框架，用于理解真实系统的信号能否实现组合公平性，以及改进哪个组件对整体系统公平性的影响最大。除理论结果外，我们在多个数据集（包括一个大规模真实世界推荐系统）上发现，整体系统的端到端公平性在很大程度上可通过改进个体组件的公平性来实现。