arXiv cs.CY· Christine Ling, Juba Ziani·· 10 小时前AI 评分29
面向交叉群体的公平推荐系统
Fair Recommender Systems for Intersecting Groups
AI 导读
针对用户可同时属于多个人口群体（群体可交叉）的动态推荐场景，研究证明任何忽略用户群体信息的策略在推荐 K≥1 个条目时都会产生线性总 regret。
正文 · AI 翻译
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群体的偏好。我们考虑一个动态推荐系统，其中到达的用户可能属于不同的人口群体。重要的是，这些群体可以相交，一个用户可能属于多个群体。我们首先证明，在温和条件下，任何群体盲策略（排除所有当前用户群体信息）推荐 $K \geq 1$ 个项目时，随时间推移会产生线性总遗憾。进而，我们基于经典的上置信界算法（UCB）引入了三种群体感知算法：i）交集拟合（Intersection-Fitting），它在每个交集上运行 UCB，但具有亚线性的群体级和交集级遗憾保证，且对群体数量呈指数依赖；ii）两种群体级启发式方法，Inner-Outer UCB 和 Group-Item UCB，它们将不同的臂分配给不同的群体，并使用睡眠专家元学习器在任何给定时间步选择某个交集应继承哪个活跃群体的推荐。我们在两个数据集 Goodreads 和 BoardGameGeek 上提供了实验结果，并强调当交集级偏好与群体级偏好密切相关时，我们的启发式方法可能优于交集拟合算法，但当同一群体内的不同交集偏好不同项目时，交集拟合表现更好。
| 主题： | 机器学习（cs.LG）；计算机与社会（cs.CY）；计算机科学与博弈论（cs.GT） |
| 引用为： | arXiv:2610.40936 [cs.LG] |
| （或 arXiv:2610.40936v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.40936 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Christine Ling [查看电子邮件]
[v1]
2026年10月29日 星期四 20:12:07 UTC（2,887 KB）
来源：arXiv cs.CY · arxiv.org