一种基于反事实动态超图的、结构感知的公平推荐方法

《ACM Transactions on Intelligent Systems and Technology》：A Structure-Aware Fair Recommendation Approach Based on Counterfactual Dynamic Hypergraphs

公平推荐中的动态超图建模与跨层次交互优化，通过反事实推理重构敏感信息缺失的超边，建立多维用户公平演化模型，设计跨层次结构感知注意力机制解决稀疏区域表征偏差，实验表明推荐效果显著优于传统基线方法。

　　

摘要

不公平的推荐结果源于用户敏感属性和信息传输中的偏见。基于图结构的数据可以通过捕捉用户与项目之间的多维交互，为公平推荐提供更加平衡的信息。然而，基于图的公平推荐仍面临一些挑战：传统图依赖于静态的边连接拓扑结构，难以动态更新多对多关系，这影响了长期公平性的建模；大多数现有的图挖掘算法忽略了因过滤敏感信息而产生的个体差异，从而加剧了公平性与准确性之间的权衡；超图神经网络的传播依赖于结构密度，而稀疏的连接会降低结构密度，导致在稀疏区域表示不准确以及信息传播不均匀。为了解决这些问题，我们提出了一种基于反事实动态超图（FairCH）的结构感知公平推荐方法。首先，我们提出了一个多维用户公平性模型，该模型通过动态超图捕捉多对多的高阶用户-项目关系及其偏好与公平性的共同演化。其次，通过对抗学习过滤敏感信息，并通过反事实推理重建反事实超边，以补偿信息损失。最后，我们提出了一个跨层次结构感知模型，该模型从超图中提取反事实公平层、全局偏好层和共享演化层，并通过层间交互式注意力机制将它们整合起来，以增强信息传播并减轻结构偏见。实验结果表明，FairCH的推荐性能优于基线方法。