推荐系统中用于消费者不公平性缓解的反事实图增强
摘要：通过对解释性和公平性的考虑，推荐文献变得越来越重要。然而，之前的研究大多分别解决了这两个问题，例如向消费者解释为什么推荐某个项目，或者通过降低推荐效用中的不公平影响来减轻不公平性。没有一个研究利用解释技术来指导不公平性的缓解。本文提出了一种方法，该方法依赖于反事实解释来增加用户-项目的交互集，从而在推断推荐时实现更公平的结果。将用户-项目交互建模为二分图，我们的方法通过识别能够解释原始不公平性的新的用户-项目边来增加原有二分图，同时可以缓解不公平性。对两个公共数据集进行的实验表明，与最先进的缓解程序相比，我们的方法能够在公平性和推荐效用之间取得更好的平衡。我们进一步分析了添加边的特征，以凸显关键的不公平模式。源代码可在https://github.com/jackmedda/RS-BGExplainer/tree/cikm2023上找到。
作者：Ludovico Boratto, Francesco Fabbri, Gianni Fenu, Mirko Marras, Giacomo Medda
论文ID：2308.12083
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-24