基于对抗正则化扩散模型的公平推荐系统研究

针对推荐系统中算法公平性与表征偏差的难题，研究人员创新性地提出DiffuFair框架，通过动态梯度感知噪声注入和对抗正则化扩散模型，在保持用户兴趣语义的同时实现敏感属性偏见的解耦。实验表明该模型在三个真实数据集上均超越现有方法，为公平推荐提供了新范式。

　　

随着智能数字经济的快速发展，推荐系统已深度融入电子商务、流媒体服务和社交平台等领域。然而，这些系统依赖的用户历史行为数据（如点击、评分、购买记录）所构建的高维嵌入向量，往往隐含着性别、年龄、种族等敏感属性偏见，导致特定用户群体遭受系统性歧视。例如，职业平台中女性用户对高薪职位推荐的曝光率显著偏低。这种算法歧视不仅违背伦理原则，还损害用户信任，亟需建立公平感知的推荐范式。

现有去偏方法主要存在两大局限：特征移除策略会消除与敏感属性纠缠的语义信号，导致推荐性能下降；传统对抗学习框架通过刚性梯度反转强制敏感属性独立性，却因公平目标与推荐目标间的对抗冲突引发潜在表征的语义失真。

针对这些挑战，重庆理工大学的研究团队在《Neural Networks》发表论文，提出基于扩散模型动态均衡的公平推荐框架DiffuFair。该研究创新性地利用扩散模型的结构化噪声处理能力，将敏感属性偏见视为嵌入空间中的结构化噪声，通过前向扩散过程的梯度感知噪声调制和后向去噪过程的对抗正则化，实现偏见解耦与语义保持的双重目标。

关键技术方法包括：1）前向过程中基于公平判别器梯度统计的自适应噪声注入；2）反向去噪过程中采用敏感性感知梯度约束的对抗正则化；3）去噪初始化阶段的兴趣融合机制；4）候选生成阶段的偏置控制舍入函数。实验使用三个含敏感属性的真实数据集验证性能。

【研究结果】

1. 动态噪声注入机制：通过分析公平判别器的梯度统计量，设计方差与步长可控的高斯噪声扰动策略，有效解耦嵌入向量中的敏感属性特征。
2. 对抗正则化去噪：在反向过程中交替优化去噪预测与公平判别任务，通过敏感性感知梯度约束迭代纯化推荐导向的嵌入表示。
3. 兴趣融合初始化：采用用户历史偏好项目的平均嵌入向量作为去噪起点，确保兴趣语义的连续性。
4. 偏置控制候选生成：设计的舍入函数在Top-K推荐中实现公平性-效用权衡，实验显示在MovieLens、LastFM和Amazon数据集上NDCG@10提升12.7%-18.3%。

研究结论表明，DiffuFair首次将扩散模型的动态噪声均衡特性应用于推荐系统去偏，其梯度感知噪声调制和对抗正则化设计解决了传统方法中语义失真与性能下降的矛盾。该框架作为通用后处理方法，可与任何推荐模型深度耦合，为构建公平可信的智能推荐系统提供了新思路。国家自然科学基金（61702063、72161005）等项目支持了该研究。