推荐系统中的提供者公平性与超越准确率的权衡

推荐系统虽变革了在线用户体验，却也引发了对潜在提供者侧公平性问题的担忧。这些系统可能无意中偏爱热门物品，从而边缘化较冷门物品并损害提供者公平性。尽管既往研究已认识到提供者侧公平性问题，但关于这些偏差如何影响推荐系统超越准确率的方面——如多样性、新颖性、覆盖度与意外性——的探讨尚显不足。本文通过引入一种简单而有效的后处理重排序模型来填补此空白，该模型在优先保障提供者公平性的同时，维持用户相关性与推荐质量。随后，我们跨多个数据集深入评估该模型对推荐质量各方面的影响。具体而言，我们将此后处理算法应用于四个不同领域数据集上的四种推荐模型，评估涵盖准确率与超越准确率各方面的各指标提升。该综合分析使我们能衡量所提方法在缓解提供者偏差上的有效性。我们的发现凸显了所采用方法在改善提供者公平性与推荐质量上的成效，亦为达成推荐系统公平性所涉权衡提供了宝贵洞见，助益于更细致理解这一复杂议题。