面向保证两方公平性与准确性的后置排序策略
信息检索
2025-04-22 v1
摘要
在多利益相关方的推荐系统中，用户和提供者作为两个关键且相互依赖的角色，必须得到良好平衡。在先前的研究中，包括我们的工作 BankFair，已证明确保提供者公平性和用户准确性对于满足双方利益至关重要。然而，当它们在平衡两个目标时，另一个关键因素在推荐系统中浮现：个体公平性，即个体推荐准确性之间存在显著差异，部分用户获得高准确性，而另一些用户则几乎得不到准确的推荐。这种疏忽严重损害了用户利益，并加剧了社会两极化。如何在确保用户准确性和提供者公平性的同时保证个体公平性仍是一个未解决的问题。为弥合这一差距，本文提出了我们的方法 BankFair+。具体而言，BankFair+ 在 BankFair 的基础上引入了两个步骤：(1) 从后悔理论引入非线性函数，以确保个体公平性并提升用户准确性；(2) 将后置排序过程建模为后悔感知的模糊规划问题，以满足个体用户和提供者的利益，从而在个体公平性和提供者公平性之间进行权衡。在两套真实世界的推荐数据集上进行的实验表明，BankFair+ 在个体公平性、用户准确性和提供者公平性方面均优于所有基线方法。
引用
@article{arxiv.2504.14550,
title = {Regret-aware Re-ranking for Guaranteeing Two-sided Fairness and Accuracy in Recommender Systems},
author = {Xiaopeng Ye and Chen Xu and Jun Xu and Xuyang Xie and Gang Wang and Zhenhua Dong},
journal= {arXiv preprint arXiv:2504.14550},
year = {2025}
}