研究推荐系统中多类型敏感属性在结果和流程方面的用户端公平性

《ACM Transactions on Recommender Systems》：Investigating User-Side Fairness in Outcome and Process for Multi-Type Sensitive Attributes in Recommendations

推荐系统需平衡结果公平与过程公平，正则化侧重结果公平性调节，对抗学习侧重过程公平性消除。本文在行为、人口统计及心理特征等多类型敏感属性场景下，对比两种方法在四数据集上的效果，发现对抗学习更优。

　　

摘要

推荐系统被广泛用于解决用户面临的信息过载问题，其中不公平性问题亟需得到缓解。当前在推荐系统领域进行的用户端公平性研究旨在确保用户的敏感属性在结果或过程方面的独立性。具体而言，前者强调基于敏感属性的用户群体之间的结果公平性，为此提出了正则化方法来减少推荐结果的不平衡；后者关注敏感属性与推荐过程之间的独立性，对抗学习被广泛用于从单个用户的表示中去除敏感信息。然而，很少有研究探讨这些方法在特定场景下同时平衡群体层面的结果公平性和个体层面的过程公平性的效果。此外，现有的实验主要针对一种类型的用户属性（例如行为属性或人口统计属性）进行，而忽略了其他可能的敏感属性（如心理属性）。在本文中，我们研究了正则化和对抗学习方法在多种敏感属性（包括行为属性（例如活动水平）、人口统计属性（例如性别、年龄）以及心理属性（例如五大人格特质、好奇心）上的公平性表现。通过对四个数据集的实验发现，不同类型的敏感属性可能导致不同的不公平现象；与基于正则化的方法相比，对抗学习在实现推荐结果公平性和过程公平性之间的平衡方面具有更大的潜力。我们的源代码可在以下链接获取：https://github.com/WeixinChen98/OtPrFairness-MultiAttr。