推荐公平中的反事实解释
摘要：公平感知推荐消除了建立值得信赖的推荐系统中的歧视问题。解释不公平推荐的原因是至关重要的，它促进了公平诊断，并确保用户对推荐模型的信任。现有的公平解释方法由于大规模的搜索空间和贪婪的解释搜索过程而面临高计算负担。此外，它们执行基于分数的优化，对离散属性（如性别和种族）不适用。在这项工作中，我们采用了因果推断中的反事实解释新范式，探索通过最小调整解释如何改变模型的公平性，以摒弃贪婪搜索解释的方式。我们使用来自异质信息网络（HINs）的现实世界属性，以实现对离散属性的反事实推理。我们提出了一种新颖的基于反事实的公平解释（CFairER），从HINs生成属性级别的反事实解释，用于推荐公平性。我们的CFairER通过离线策略加强学习来寻找高质量的反事实解释，使用专注行为修剪来减少候选反事实的搜索空间。反事实解释有助于为模型的公平性提供合理和近似的解释，而专注行为修剪则缩小了属性搜索空间。大量实验表明，我们提出的模型能够生成忠实的解释，同时保持良好的推荐性能。
作者：Xiangmeng Wang, Qian Li, Dianer Yu, Qing Li and Guandong Xu
论文ID：2307.04386
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-11