LTP-MMF: 推荐反馈循环下的长期提供者最大最小公平性
摘要：多利益相关者推荐系统涉及各种角色，例如用户、供应商。以往的研究指出，最大最小公平性（MMF）是支持弱供应商的更好指标。然而，考虑到MMF时，这些角色的特征或参数随时间变化，如何确保长期供应商MMF已成为一个重大挑战。我们观察到，推荐反馈循环（称为RFL）将在长期内极大地影响供应商MMF。RFL意味着推荐系统只能从用户得到对展示的物品的反馈，并基于此反馈增量更新推荐模型。在利用反馈时，推荐模型将把未展示的物品视为负面。这样，尾部供应商将无法得到展示的机会，其物品将始终被视为负样本。在RFL中，这种现象会变得越来越严重。为了缓解这个问题，本文提出了一种名为长期供应商最大最小公平性（LTP-MMF）的在线排名模型。理论分析表明，LTP-MMF的长期遗憾值具有次线性边界。在三个公共推荐基准上的实验结果表明，LTP-MMF在长期内可以胜过基准方法。
作者：Chen Xu, Xiaopeng Ye, Jun Xu, Xiao Zhang, Weiran Shen, Ji-Rong Wen
论文ID：2308.05902
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-14