两阶段推荐系统中公平性的不确定性量化

许多大规模推荐系统由两阶段组成。第一阶段从完整物品池中高效筛选出一小部分有希望的候选，第二阶段模型从中精选出最终推荐。本文研究如何在此两阶段架构中确保物品侧的组公平性。特别地，我们发现现有第一阶段推荐器可能选出不可恢复的不公平候选集，使得第二阶段推荐器毫无希望给出公平推荐。为此，受不确定性量化近期进展的启发，我们提出两种阈值策略选择规则，可为第一阶段推荐器的公平性提供无分布且有限样本的保证。更具体地，给定任意查询与物品的相关性模型，以及每个阈值策略下期望相关物品数的逐点下置信界，这两种规则能找到近似最优的候选集，其期望中包含来自每个物品组的足够相关物品。为实例化这些规则，我们展示了如何由潜在不完整且有偏的用户反馈数据（在许多大规模推荐系统中十分丰富）推导此类置信界。此外，我们给出了两种阈值选择规则接近最优阈值的有限样本与渐近分析。除理论分析外，我们经实验表明，这两种规则能在广泛设置下持续从各组中选出足够相关物品，同时最小化候选集规模。