相关性在公平排序中的作用

在线平台中介了对机会的获取：基于相关性的排序通过向招聘平台中的职位空缺和求职者、或市场中的卖家分配曝光度，创造并限制了各种选项。为了负责任地做到这一点，这些具有社会影响的系统采用了各种公平性度量与干预措施，其中许多试图基于价值（worthiness）来分配曝光度。由于这些构念通常无法直接观测，平台不得不转而使用相关性等代理分数，并从搜索者点击等行为信号中推断它们。然而，在高风险公平排序中，相关性是否胜任作为此类价值分数的角色，仍是一个开放问题。在本文中，我们结合社会科学、信息检索和机器学习公平性的视角与工具，推导出相关性分数为了有意义地指导公平性干预所应满足的一组期望准则。随后，我们在一个由有偏用户点击数据推断相关性的案例研究中，实证表明并非所有这些准则都得到了满足。我们评估了这些违背对系统公平性估计的影响，并分析现有公平性干预是否能缓解所发现的问题。我们的分析与结果凸显出，迫切需要适合在公平排序中使用的新相关性收集与生成方法。