推荐系统公平性论文阅读(六)

做为最后一篇论文阅读记录，我决定对我目前为止粗读和精读的论文进行一次总结，然后陈述一些个人对该研究领域的见解和想法。

论文总结归纳

推荐系统中的偏差和不公平现象是随着推荐算法的诞生就与生俱来的，而不是人为故意产生的。目前我读过的论文中包括的一些典型的偏差和其主要的解决方案如下：

(1) 人口平等(Demographic parity)

描述 用户不应因为自身的性别、年龄、种族等特征而接收到不同的推荐结果。追求这种公平性显然会影响推荐系统的准确度，但在诸如工作信息推荐之类的场景中有一定必要。解决方案 使用对抗学习去除用户embeddings向量中的敏感信息^[1] 。或者更近一步，通过正交性正则化使有偏差用户向量尽量正交于无偏差用户向量，从而使两者区分开来 ^[2]。

(2) 位置偏差(Position bias)

描述 即马太效应。ranking中的每个对象受到的关注会受到展现位置的影响，位置靠前的物品比位置靠后的物品更容易被用户注意到，也更容易获得点击，从而使模型对用户偏好的感知出现偏差，预估CTR不准，并进一步通过反馈循环(feedback loop)放大。解决方案 可以将其转换为一个以排序质量做为约束条件的整数线性规划(ILP)问题求解 ^[3]。

(3) 选择偏差(Selection bi