降低排序中差异曝光的学习排序方法

排序后的搜索结果已成为我们在线上查找内容、产品、地点和人群的主要机制。因此，其排序不仅关系到搜索者的满意度，也关系到被排序者的职业与商业机会、教育录取乃至社会成功。研究者日益关注数据驱动排序模型中的系统性偏差，并提出了多种后处理方法来缓解歧视与机会不平等。然而，这种方法仍有允许训练出不公平排序模型的缺点。本文探讨一种新的处理中方法：DELTR，一种在训练时解决排序中潜在歧视与机会不平等问题的学习排序框架。我们根据平均群体曝光差异来衡量这些问题，并设计一个在相关性与降低此类差异方面优化搜索结果的排序器。我们进行了广泛的实验研究，表明从相关性与曝光的角度看，“色盲”策略可能是最佳或最差的选择，取决于训练集中存在多少以及何种类型的偏差。我们表明，在所有测试场景中，我们的处理中方法在相关性与曝光方面均优于一种预处理方法与一种后处理方法。