面向双边平台的公平推荐研究

当今许多在线平台（如 Amazon、Netflix、Spotify、LinkedIn 和 AirBnB）可被视为拥有商品与服务生产者和消费者的双边市场。传统上，这些平台中的推荐服务侧重于根据个体消费者的个性化偏好定制结果，以最大化消费者满意度。然而，我们的研究再次印证，此类以消费者为中心的服务设计可能导致对生产者的曝光分配不公，从而对其福祉产生不利影响。另一方面，纯粹的以生产者为中心的设计可能对消费者不公。由于越来越多的人依赖此类平台谋生，确保对生产者和消费者的公平性至关重要。在本工作中，通过将公平个性化推荐问题映射为公平分配不可分物品的约束版本问题，我们提出为双方提供公平性保证。形式上，我们提出的 FairRec 算法保证生产者的极大极小份额（α-MMS）曝光，以及消费者的无嫉妒至一件物品（EF1）公平性。在多个真实世界数据集上的广泛评估表明，FairRec 在确保双边公平性的同时，仅造成整体推荐质量的微小损失。最后，我们提出了 FairRec 的改进版本（命名为 FairRecPlus），其以额外的计算时间为代价，在保持相同公平性保证的同时提升了消费者的推荐性能。