这篇论文探讨了在推荐系统中，如何在用户公平性、item公平性和多样性之间取得平衡。通过理论分析和实验，作者提出TSFD算法，确保在优化这三个目标的同时避免效用为零的情况。实验结果显示，TSFD算法在公平性分配和控制曝光率方面表现良好。
©PaperWeekly 原创 · 作者 | 金金
单位 | 阿里巴巴研究实习生
研究方向 | 推荐系统
简介
根据相关性概率对项目进行排序一直是传统排序系统的目标。虽然这最大化了传统的排名标准，但人们越来越认识到，在线平台不仅服务于多样化的用户群体，而且还服务于产品的生产者，这是一种过于简单化的做法。
特别是，排名算法在如何服务所有用户群体（而不仅仅是多数用户群体）方面应该是公平的，而且在如何在项目之间划分曝光率方面也应该是公平的。
然而，本文证明了用户公平、item 公平和多样性是本质上不同的概念。特别地，作者发现，只考虑其中一个需求的算法可能无法满足，甚至损害其他两个需求。
作者提出了第一个排序算法，它显式地强制执行所有三个要求。
从它的解中，可以通过一种新颖的 Birkhoff-von Neumann 分解算法得到一个排序策略，该算法优化了多样性。
论文标题：
User Fairness, Item Fairness, and Diversity for Rankings in Two-Sided Markets
论文来源：
ICITR 2021
论文链接：
http://www.cs.cornell.edu/people/tj/publications/wang_joachims_21a.pdf
最低0.47元/天 解锁文章
扫一扫
666
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
