冷启动推荐中的可迁移公平性
信息检索
2023-01-26 v1
摘要
随着推荐系统在我们日常生活中使用的增多和影响扩大，如何实现推荐中的公平性已成为一个重要问题。以往关于公平性感知推荐的工作主要关注预定义的一组（通常为热启动）用户。然而，推荐系统常因新用户或冷启动用户交互量不足而面临更具挑战性的公平性问题。因此，研究训练好的模型对新的一组冷启动用户是否仍表现公平至关重要。本文考虑推荐系统遇到仅与平台有有限甚至无交互的新用户之场景，旨在为此类用户有效提供高质量且公平的推荐。来自热用户的充足交互数据被视为源用户域，而来自新用户的数据被视为目标用户域，我们考虑将反事实公平性从源用户迁移到目标用户。为此，我们引入一个框架以在推荐中实现可迁移的反事实公平性。所提方法能够将从源用户学到的公平模型知识迁移到目标用户，以期提升推荐性能并保持目标用户上的公平性属性。在带有代表性推荐算法的两个真实数据集上的实验表明，我们的方法不仅提升了目标用户的公平性，在推荐性能上也优于对比模型。
引用
@article{arxiv.2301.10665,
title = {Transferable Fairness for Cold-Start Recommendation},
author = {Yunqi Li and Dingxian Wang and Hanxiong Chen and Yongfeng Zhang},
journal= {arXiv preprint arXiv:2301.10665},
year = {2023}
}