提出了一种从帕累托视角解决推荐系统多角度公平性的方法,通过对抗正则化器消除用户嵌入中的敏感属性信息,采用基于曝光的负采样策略提高推荐系统的准确率,从而达到帕累托最优。并且,基于曝光的负采样策略在一定程度上解决物品曝光偏差的问题,保证了物品角度公平性,实现了用户、物品的多角度公平性。实验结果表明,该方法在保证推荐准确率的同时有效提高了用户和物品角度的公平性。

1 相关工作
1.1 用户角度公平性中的帕累托效应
1.2 推荐系统多角度公平性
2 推荐系统多角度公平性方法
2.1 推荐系统的帕累托效应问题
2.2 推荐模型
2.3 基于对抗学习的用户角度公平性
2.4 基于曝光的负采样策略
3 实验设置与分析
3.1 数据集
3.2 评价指标
3.2.1 用户角度评价指标
3.2.2 推荐准确率评价指标
3.2.3 物品角度公平性评价指标
3.3 对比方法介绍及参数设置
3.4 总体性能比较
3.4.1 用户角度公平性分析
3.4.2 推荐系统准确率分析
3.4.3 物品角度公平性分析
3.5 参数分析
4 总结