随机未必公平：推荐系统中的候选集不平衡与曝光不平等

传统上，推荐系统通过向用户返回一组按估计相关性排序的物品来运作。近年来，依赖随机排序的方法被开发出来以创建“更公平”的排序，从而减少向用户展示对象的不平等。完全随机化——即独立于估计相关性随机排序候选物品——在很大程度上被视为一种基线流程，可产生最平等的曝光分布。在工业场景中，推荐系统常以两步流程运作：先用计算廉价的方法生成候选物品，再仅对这些候选应用完整的排序模型。本文考量第一步中不平等的影响，并表明一个悖论：在第二步进行完全随机化，相对于按估计相关性分数确定性排序物品，反而可能导致更高程度的不平等。鉴于该观察，我们进而提出一种简单的后处理算法，旨在降低曝光不平等，该算法在候选集高度不平衡与不平衡程度低时均有效。我们所提方法的效力在模拟数据与推荐系统公平性研究中常用的基准数据集上均得到印证。