面向交叉群体的公平推荐系统

arXiv:2610.40936v1 公告类型：新论文 摘要：针对平均用户进行优化的推荐系统可能无法捕捉不同人口统计群体的偏好。我们考虑一种动态推荐系统，其中到来的用户可能属于不同的人口统计群体。重要的是，这些群体之间可能存在交叉，且一名用户可能同时属于多个群体。我们首先证明，在温和条件下，任何推荐 $K \geq 1$ 个物品的群体盲策略（即不使用当前用户的任何群体信息的策略），其总遗憾都会随时间线性增长。随后，我们提出三种基于经典置信上界算法（UCB）的群体感知算法：i）Intersection-Fitting，在每个交叉群体上运行 UCB，可保证群体层面和交叉群体层面的遗憾为次线性，但该保证对群体数量具有指数依赖；ii）两种群体层面的启发式算法 Inner-Outer UCB 和 Group-Item UCB，它们为不同群体分配不同的臂，并使用休眠专家元学习器，在任意给定时间步选择交叉群体应采纳哪个活跃群体的推荐。我们在 Goodreads 和 BoardGameGeek 两个数据集上进行了实验，结果表明：当交叉群体层面的偏好与群体层面的偏好密切相关时，我们的启发式算法可能优于 Intersection-Fitting；但当同一群体内的不同交叉群体偏好不同物品时，Intersection-Fitting 的表现更好。