为图形神经网络基于推的双路径公平性优化

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 推系统是一个推系统.

背景情况:

• 图形神经网络 (GNN) 擅长模拟复杂的用户对象交互.
• 然而,GNN可以放大固有的数据偏差,导致不公平的建议.
• 现有的公平性方法很难解决嵌入在图形拓学的偏见.

研究的目的:

• 开发一种新的方法,即公平双路线对齐 (FairDA),以减轻基于GNN的推系统中的群体不公平.
• 为了解决源自节点属性和图形拓学的偏差.
• 在不影响预测准确性的情况下,提高推的公平性.

主要方法:

• FairDA将来自原始数据的用户嵌入与从不包含敏感属性的数据中获得的公平嵌入对齐.
• 使用信息瓶相互信息约束来保留协作过信号,同时删除敏感信息.
• 对于相似项目对的损失权重的动态调整调节了集团间项目关系,以减少偏差.

主要成果:

• 公平DA有效地减少了节点属性和图形拓学中存在的偏差.
• 该方法产生了低偏差的用户表示,有利于公平的建议.
• 实验表明,FairDA在建议准确性和公平性之间取得了卓越的平衡.

结论:

• FairDA提供了一个强大的解决方案,以实现基于GNN的推系统的公平性.
• 提出的方法成功地解决了图形结构中的多方面的偏见.
• FairDA在公平性指标方面取得了显著的改善,同时保持了高的推绩效.