FairDiff: Masked condition diffusion for fairness-aware recommendation

doi:10.1016/j.eswa.2026.131720

FairDiff: Masked condition diffusion for fairness-aware recommendation

2026-03-05

0

PRE

AI

DOI：10.1016/j.eswa.2026.131720

原文链接

原文求助

摘要

En 中文

对推荐系统中公平性的研究已因物品曝光对用户偏好的显著影响而成为重要的研究领域。然而，现有的隐式协同过滤模型往往忽视公平性考量，而公平意识推荐方法则在公平性与效用性之间难以取得平衡。为解决此问题，我们提出FairDiff，一种利用掩码条件扩散处理推荐系统中公平性问题的创新方法。FairDiff通过引入增强的公平性损失，利用扩散模型的强大生成能力进行协同过滤。该损失通过创新性地采用激活函数来近似排序函数，解决了公平性指标的不可微分问题。此外，我们通过采用随机采样方法显著优化了公平性损失的计算效率。我们的方法旨在通过优化效用损失和公平性损失来最大化推荐效用。同时，我们通过调整公平性阈值并将公平性损失作为约束条件，增强了公平性的精细控制。在三个真实数据集上进行的大量实验表明，FairDiff优于当前最先进的方法。代码可在https://anonymous.4open.science/status/FairDiff-E84C 1.获取。

Keyword:

Fairness-aware recommendation

Diffusion models

Collaborative filtering

Fairness loss

Recommendation utility

FairDiff: Masked condition diffusion for fairness-aware recommendation

摘要

期刊

机构

引用论文