推荐系统公平性度量：可用者众但何以为选？

近年来，推荐与排序系统在数字平台上日益普及。然而，已有研究指出个性化系统可能对用户造成非故意的伤害。从业者需要度量标准来在生产系统中衡量并缓解此类伤害。为满足这一需求，RecSys 社区提出并探索了许多公平性定义。不幸的是，这导致从业者可选择的公平性度量大量激增。度量在数量与复杂度上的增长，使从业者有必要深入理解公平性定义与实现的细微差别。此外，从业者还需理解伴随这些度量的伦理指南以实现负责任的应用。近期工作表明伦理指南同样泛滥，并指出需要更多实现指导而非仅原则。可用度量的多样性，加上实践中缺乏公认标准或共享知识，使从业者面临艰难的导航环境。在本立场论文中，我们聚焦于研究界与从业者之间在度量可用性对比实践能力上的日益扩大的鸿沟。我们以当前工作应对此鸿沟，侧重于开发方法以帮助 ML 从业者在为推荐与排序系统挑选公平性度量时决策。在迭代设计访谈中，我们已发现从业者在细化公平性约束时需要实践性与反思性指导。鉴于从业者需在复杂公平性情境中权衡并选用正确度量的挑战日益增长，这一点尤为突出。