ProFairRec：考虑提供者公平性的新闻推荐

新闻推荐旨在帮助在线新闻平台用户找到其偏好的新闻文章。现有新闻推荐方法通常从历史用户新闻行为中学习模型。然而，这些行为通常对新闻提供者存在偏置。在偏置用户数据上训练的模型可能捕获甚至放大对新闻提供者的偏置，对某些少数新闻提供者不公平。本文提出一种提供者公平性感知的新闻推荐框架（命名为ProFairRec），可从偏置用户数据中学习对不同新闻提供者公平的新闻推荐模型。ProFairRec的核心思想是通过学习提供者公平的新闻表示与提供者公平的用户表示来实现提供者公平性。为从偏置数据中学习提供者公平表示，我们采用提供者偏置表示来继承数据中的提供者偏置。提供者公平与偏置的新闻表示分别由新闻内容与提供者ID学习得到，并基于用户点击历史进一步聚合以构建公平与偏置的用户表示。所有这些表示均用于模型训练，而仅公平表示用于用户-新闻匹配以实现公平新闻推荐。此外，我们提出一个针对新闻提供者判别的对抗学习任务，以防止提供者公平新闻表示编码提供者偏置。我们还提出对提供者公平与偏置表示的正交正则化，以更好地降低提供者公平表示中的提供者偏置。而且，ProFairRec是一个通用框架，可应用于不同新闻推荐方法。在公开数据集上的大量实验验证了我们的ProFairRec方法能有效提升许多现有方法的提供者公平性，同时保持其推荐准确率。