推荐系统公平性之组推荐的公平性--fairness in group recommender system

主要参考论文：《Top-N Group Recommendations with Fairness》

什么是组推荐（group recommendation）

组推荐，顾名思义，就是向一组人推荐物品，而不是传统场景下的对单个人推荐。
组的构成分为两种：一是长期型组（persistent group），如一家人；另一种是短期型组（ephemeral group），几个朋友、同事临时组局。

虽然感觉平时没有APP有这种组推荐服务，但日常生活中组推荐的应用场景其实挺多。比如一群朋友计划暑假旅游地点、一家人决定看哪部电影、吃什么晚餐等等。

难点自然在于“众口难调”。对于长期型组来说还稍微容易些，因为在一起相处的时间较久，容易有共同兴趣，但是对于临时组队的短期型组往往很困难。总之，要让组内成员都对推荐结果满意实属不易，甚至不可能。

组推荐的两种实现方式

一是将一组人当做一个用户对待。可以将各个组员的交互记录聚合起来，也可以将他们的嵌入表示整合起来，这样就可以将这组人作为一个虚拟用户来对待，用常规的个人推荐系统就行了。
（注：有些研究在做快速推荐时，也可能采用这种方式。具体地，将一些相似的用户聚类在一起（相当于长期组）作为一个虚拟用户，让推荐系统为他召回一些物品，然后再从这些物品中找到各个组员的top-K。有兴趣的读者可以看看《Clustering and Constructing User Coresets to Accelerate Large-scale Top-K Recommender Systems》。）

二是用个人推荐系统分别各个组员推荐top-K，然后再从这些结果中选出最终的组推荐结果。这种方式更为常用。

组推荐中的公平性如何定义

这里先区分两个概念，组推荐中的公平性与群体公平（group fairness）。前者是针对组推荐系统而言，推荐结果的受众的一组人；后者实际上是针对个人推荐，它所坚守的公平是推荐系统不能对被保护组（protected group，比如易受到歧视的人群）中的个人推荐效果很差，而对其它非保护组中的个人推荐效果却很好。

通常组推荐模型优化目标是最大化组成员的整体满意度，即让大部分人满意。但这样的结果可能并不公平，我举一个简单的例子。

小猪佩琪一家人周末想要去看一部电影，猪爸爸和猪妈妈都想看《钢铁侠》，佩琪想看《E.T.》而乔治想要看他最喜欢的恐龙。如果我们按照让大部分人满意的原则，推荐结果应该是《钢铁侠》，因为他可以满足两个人的偏好。但是他们中最不满意的人肯定是乔治，因为推荐结果跟他想看的恐龙一点关系都没有，那么他可能还会哭闹，扫了一家人的兴致。推荐系统的公平性问题就暴露出来了，它对乔治很不公平。如果不公平等级是1～10的话，此时推荐系统可能是10级，极不公平。

如果我们推荐《侏罗纪公园》呢？它或许会更好，首先我们满足了乔治的需求，而且由于猪爸爸、猪妈妈和佩琪感觉都喜欢科幻电影，所以推荐结果与他们的期望还是有一定的吻合度。此时推荐系统可能是5级，一般公平。所以，我们认为这样的组推荐系统更加公平。

简言之，我们希望最大化组成员中的最小满意度，即让推荐结果对最不满意的人来说也还可以接收。

那么组推荐中的公平性=组员的最小满意度。

满意度的定义

定义组推荐的公平性时，我们提到了满意度（satisfaction or utility）。针对前面提到的组推荐方式第二种，我们先让推荐系统为每个组员i推荐top-K，这些物品就是最符合他们偏好的结果，记为Ai。而最终推荐给组的是从各个组员top-K中挑选出的top-K，记为B。我们将Ai与B直接的差异定义为组员i满意度，差异越大，说明越不符合组员i的偏好，就越不满意。而差异的度量选择就很多了，可以是对称的，如Kendall’s τ；也可以是不对称的，如准确率（precision）、召回率（recall）、NDCG等。

据此，我们也可以定义出组整体满意度=各组员满意度之和。

至此，相信读者已经对组推荐中的公平性有所了解，它的目标就是保证组整体满意度的同时，实现尽可能的公平。具体如何对各个组员的推荐结果进行排序，得到最终的组推荐结果，实现公平性和组整体满意度的权衡，这里不再赘述。

文献链接

1. 《Top-N Group Recommendations with Fairness》
2. 《Clustering and Constructing User Coresets to Accelerate Large-scale Top-K Recommender Systems》

希望我的文章可以给你们的工作或者学习带来一丝灵感，共勉～