公司新闻
    公司新闻

超越平等:协同过滤算法的公平性目标

  • 文章来源: / 作者: / 发布时间:2019-09-11
  • \'超越平等:协同过滤算法的公平性目标\'

    图 2 真实数据上的误差及不公平性度量

    实验结果表明,每种数据缺陷都将导致推荐结果的不公平,并且由于用户的不平衡即观测结果的差异都将导致该不公平性。

    该文章讨论了推荐系统中存在的各类不公平现象,以及其可能出现的原因,并利用实验证明了两方面原因的正确性:用户不平衡和观测值误差。并且作者发现,即便对于准确的观测数据,仍可能出现推荐不公平现象,其还受用户偏好的影响。基于此,作者提出了4大不公平性指标:value unfairness、absolute unfairness、underestimation unfairness和overestimation unfairness,并尝试在目标函数中加入公平性因子,用以惩罚高估和低估的场景。

    Yao S, Huang B. Beyond Parity: Fairness Objectives for Collaborative Filtering[J]. 2017.

    本文由南京大学软件工程系2018硕士生邹智鹏翻译转述。

    感谢国家自然科学基金项目智能软件系统的数据驱动测试方法与技术资助