Nov, 2023
FEIR：公平推荐有限资源的羡慕感和自卑感量化与减少
FEIR: Quantifying and Reducing Envy and Inferiority for Fair Recommendation of Limited Resources
Nan Li, Bo Kang, Jefrey Lijffijt, Tijl De Bie
TL;DR在电子招聘和在线约会等环境中，推荐涉及分配有限的机会，需要新的方法来量化和强制公平。本文引入了一种新的（不）公平度量指标 —— 劣势，用于衡量用户在推荐商品中的竞争劣势。劣势与羡慕（一种衡量对他人推荐的偏好）相结合，并使用与准确性相关的聚合相关性分数的效用，通过概率解释的推荐系统来重构这些度量指标，从而产生可微分的版本。我们在标准推荐系统的后处理中应用这些损失函数于多目标优化问题中，称为通过羡慕和劣势减少实现公平性（FEIR）。对合成和真实数据的实验证明，与朴素推荐和基准方法相比，我们的方法改善了劣势，羡慕和效用之间的权衡。