Fairness-aware Cross-Domain Recommendation
解决的问题
跨域推荐(CDR)技术是缓解网络冷启动问题的有力措施。然而,已有的研究在学习映射函数时严重忽略了公平性和偏差性,而映射函数用于获取目标域中新用户的表示。
针对这一问题,提出了一种基于公平性的跨域推荐模型FairCDR。该方法通过学习公平性感知映射函数,实现了面向用户的组公平性。由于重叠数据非常有限且分布有偏差,因此FairCDR利用大量非重叠用户和交互来帮助缓解这些问题。考虑到每个个体对模型公平性的影响不同,提出了一种新的**基于影响函数(IF)**的权重重加权方法,在保持推荐精度的同时降低了模型的不公平性。
FairCDR模型
我们的总体思路是在学习映射函数时设计一个公平性感知的目标,使得在保持推荐精度的同时,最大化公平性。
我们还考虑通过使用非重叠用户和采用基于AutoEncoder的映射功能来提高性能。为了自适应地捕获不同样本对公平性和准确性的不同影响,我们利用影响函数(IF)重新加权训练数据。
CDR的关键有三个部分:嵌入向量建模,嵌入空间映射,跨域推荐
我们关注后两个部分,因为嵌入向量建模部分得到的向量可以在后续修复。采用EMCDR方法得到嵌入向量。基于EMCDR的方法假设可以通过映射函数捕获和建模跨域的关系。因此,在嵌入向量建模阶段,目标是训练一个映射函数fU来建立两个域的嵌入空间之间的关系:
我们定义方差公平性(VF)作为用户组公平性度量,其公式如下: