【WWW2021】动态排序学习最大化边际公平性

排名，尤其是搜索和推荐系统中的排名，通常决定了人们如何访问信息以及信息如何暴露给人们。因此，如何平衡信息披露的相关性和公平性是现代信息披露系统的关键问题之一。由于传统的排名框架将文档与相关性进行短视排序，这将不可避免地引入不公平的结果曝光，最近关于排名公平性的研究主要集中在动态排名范式，其中结果排名可以实时调整，以支持群体(如种族、性别等)的公平性。然而，现有关于动态学习排序公平性的研究，往往通过显著牺牲排名前结果的相关性和公平性来实现排序列表中文档曝光的总体公平性。为了解决这一问题，我们提出了一种公平无偏的排序方法——最大边际公平(maximum Marginal Fairness, MMF)。该算法集成了对相关性和基于绩效的公平性的无偏估计，同时提供了一个显式控制器来平衡文档的选择，以最大化top-k结果的边际相关性和公平性。理论分析和实证分析表明，我们的方法在长列表公平性上有较小的妥协，在top-k排序的相关性和公平性方面都取得了优于现有算法的效率和有效性。

https://www.zhuanzhi.ai/paper/d73684afc23a9d77ab4f6f18bb5b1ba7