.png){kind=icon}
返回
Distributional Fairness-aware Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3652854.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
公平性已逐渐被认为是推荐领域中的一个重要问题。以前的模型通常通过减少不同用户组之间的平均性能差距来实现公平性。然而，平均性能可能不足以表示用户组中的性能的所有特性。因此，等效的平均性能可能并不意味着推荐器模型是公平的，例如，性能的方差可以是不同的。为了缓解这个问题，在本文中，我们定义了一种新颖的公平性类型，其中我们要求跨不同用户组的性能分布应该相似。我们证明，在相同的性能分布下，组性能的数字特征，包括期望，方差和任何高阶矩，也是相同的。为了实现分配公平，我们提出了一个生成性和对抗性的训练框架。具体来说，我们将推荐模型视为生成器来计算不同组中每个用户的性能，然后部署一个鉴别器来判断性能来自哪个组。通过迭代优化生成器和鉴别器，我们可以从理论上证明最佳生成器 (推荐器模型) 确实可以导致等效的性能分布。为了平滑对抗性训练过程，我们提出了一种新颖的双课程学习策略，用于优化训练样本的调度。此外，我们通过合并软化的排名指标作为绩效差异的度量，来调整我们的框架，以更好地适应top-n推荐任务。我们基于真实世界的数据集进行了广泛的实验，以证明我们的模型的有效性。
Keyword:
Distributional fairness
adversarial training
recommender system
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
引用论文
分享收藏Differentiable Ranking Metric Using Relaxed Sorting for Top-K Recommendation使用宽松排序进行Top-K推荐的可区分排名度量.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容