FERSF:随机模型检验引导的公平性增强推荐系统框架

摘要

在推荐系统的实际应用中,物品流行度偏差会被系统的反馈循环、机器学习训练模型以及一些外界因素所放大,从而导致大量的长尾物品得不到公平的推荐机会。针对反馈循环放大流行度偏差所导致的公平性问题,首次通过随机模型检验的方法进行公平性分析和增强研究。将基于流行度偏差和反馈循环的传统推荐系统框架建模成DTMC模型,并验证其公平性。实验发现随着反馈循环轮数增加,马太效应加剧,公平性明显减弱。然后提出一种随机模型检验引导的公平性增强的推荐系统框架FERSF:在传统的推荐系统框架回路中增加一个动态公平性阈值检测过程,监测其公平性,并对反馈影响因子进行公平性增强调整以减缓流行度偏差对系统的影响。通过实验分析,与传统的推荐系统相比,FERSF的公平性显著提升;与基于效用函数的公平性改进方法相比,FERSF因结合反馈循环的动态特性,从根本上抑制流行度偏差的放大;与其他针对算法的公平性改进相比,FERSF因基于推荐系统框架建模,兼容性强。