面向大规模推荐系统的可扩展且可证明公平的曝光控制

典型的推荐和排序方法旨在优化用户满意度，但往往忽略了它们对物品（如产品、工作、新闻、视频）及其提供者的影响。然而，人们越来越认识到后者对于广泛的应用至关重要，因为它决定了被推荐物品的效用。先前的公平感知推荐方法通过优化正则化目标来平衡用户满意度和基于某种概念（如曝光公平性）的物品公平性。这些现有方法已被证明在控制公平性方面是有效的，但大多数计算效率低下，限制了它们仅适用于不切实际的小规模场景。这实际上意味着文献尚未提供一种能够在存在数百万用户和物品的工业级推荐系统中灵活控制曝光的方法。为了实现即使对于如此大规模系统也能高效计算的曝光控制，本文开发了一种可扩展、快速且公平的方法，称为曝光感知ADMM（exADMM）。exADMM基于隐式交替最小二乘法（iALS），这是一种传统的协同过滤可扩展算法，但优化了正则化目标以实现准确性与公平性权衡的灵活控制。开发exADMM的一个特殊技术挑战是，公平性正则化项破坏了用户和物品优化子问题的可分离性，而这是确保iALS可扩展性的基本属性。因此，我们开发了一套优化工具，以实现可扩展的公平性控制，并具有可证明的收敛保证，作为我们算法的基础。