arXiv cs.AI· Ziwei Wu, Jingrui He·· 10 小时前AI 评分26
FAIDER：面向大语言模型推荐器的公平性感知条目级解码方法
FAIDER: Fairness-Aware Item-Level Decoding for Large Language Model Recommenders
AI 导读
FAIDER 通过选择完整条目候选而非操纵 token 级 logits 或反复修复输出，将公平性融入推荐列表构建。该方法用 conformal 启发的经验校准确定跨群体语义差异阈值，在线解码时采用硬过滤或经对偶启发反馈调整的软惩罚，以逼近预设违规率。在多个推荐基准和 LLM 主干上，Soft FAIDER 的语义公平性与排序质量均优于所评估的 prompt 修复基线。
正文 · AI 翻译
摘要：大型语言模型（LLM）推荐系统在用户受保护属性发生变化时，即使交互历史保持不变，也可能产生语义上不同的推荐结果。当模型权重和全词表 logits 不可访问时，控制这种差异颇具挑战性。我们提出 FAIDER（Fairness-Aware Item-level DEcoding for Recommendation，面向推荐的公平感知条目级解码），它通过选择完整的候选项而非操纵 token 级 logits 或反复修复已完成的输出，将公平性融入列表构建过程。其核心思想是将违规的操作判据与生成受约束的强度分离开来。受保形推断启发的经验校准确定跨群体语义差异阈值，而在线解码则采用硬过滤或通过双重启发式反馈调整的软惩罚，以逼近规定的违规率。此外，我们建立了一个路径级保证：在一致可执行性假设下，软解码器的经验违规率超出其目标值至多 $O(1/T)$。在推荐基准和 LLM 主干网络上的实验表明，Soft FAIDER 在所评估的提示修复基线上，同时提升了测得的语义公平性和排序质量。它通常也比硬变体实现了更有利的公平性-效用平衡，这表明更严格的逐推荐约束并不必然带来更低的测得差异。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.10285 [cs.AI] |
| （或 arXiv:2611.10285v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.10285 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ziwei Wu [查看邮箱]
[v1]
2026年11月6日星期五 22:31:29 UTC（230 KB）
[v2]
2026年11月10日星期二 11:21:43 UTC（232 KB）
来源：arXiv cs.AI · arxiv.org