CN116720006B - 一种基于有限用户敏感属性的公平推荐方法、设备及介质 - Google Patents

一种基于有限用户敏感属性的公平推荐方法、设备及介质 Download PDF

Info

Publication number
CN116720006B
CN116720006B CN202311004219.4A CN202311004219A CN116720006B CN 116720006 B CN116720006 B CN 116720006B CN 202311004219 A CN202311004219 A CN 202311004219A CN 116720006 B CN116720006 B CN 116720006B
Authority
CN
China
Prior art keywords
attribute
user
sensitive
sensitivity
fairness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311004219.4A
Other languages
English (en)
Other versions
CN116720006A (zh
Inventor
冯福利
史天昊
何向南
张洋
张及之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Data Space Research Institute
Original Assignee
Data Space Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Data Space Research Institute filed Critical Data Space Research Institute
Priority to CN202311004219.4A priority Critical patent/CN116720006B/zh
Publication of CN116720006A publication Critical patent/CN116720006A/zh
Application granted granted Critical
Publication of CN116720006B publication Critical patent/CN116720006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于有限用户敏感属性的公平推荐方法、设备及介质，利用已有的敏感属性信息和用户的历史交互记录以重建用户的缺失敏感属性，基于用户的交互历史并使用机器学习技术或神经网络技术，推断得出缺失敏感属性的可能取值，弥补已有的敏感属性信息的不完整性，数据导向方法、对抗学习方法、正则化方法、重新排序方法都假设全部用户的敏感属性已知，这在实践中往往是难以成立的，法律保护的原因，收集敏感属性需要得到用户的明确同意，这限制了这些方法的适用性，发明提出一种基于有限用户敏感属性的公平推荐方法，旨在为推荐系统提供一种更加普适且有效的推荐系统公平性解决方案。

Description

一种基于有限用户敏感属性的公平推荐方法、设备及介质
技术领域
本发明涉及机器学习、数据挖掘领域，尤其是涉及一种基于有限用户敏感属性的公平推荐方法、设备及介质。
背景技术
推荐系统在当今的电子商务、社交媒体和其他领域扮演着重要的角色，它们旨在为用户提供个性化的推荐结果，以满足其需求和兴趣。然而，在推荐过程中存在着一些公平性问题，可能偏向具有特定敏感属性的用户，比如带有性别、种族、年龄等标签的用户。
目前已经提出了一些解决推荐系统公平性问题的方法，其中，数据导向方法通过根据敏感属性调整训练数据，包括重新采样和添加抗衡数据，来减轻偏见的影响。对抗学习方法利用最小最大博弈来学习公平表示，防止在用户嵌入或图结构中预测敏感属性的发生。正则化方法则将公平度量指标作为正则化器加入目标函数或奖励函数中，如不同敏感属性组之间的效用绝对差异，重新排序方法通过重新排序推荐结果，为具有不同敏感属性的用户群体实现更公平的结果，这些方法代表了在推荐系统领域解决公平性问题的一些创新尝试。然而，这些方法都假设全部用户的敏感属性已知，这在实践中往往是难以成立的，比如在许多推荐场景中如在线广告中，用户无需注册或提交个人信息。此外，由于法律保护的原因，收集敏感属性需要得到用户的明确同意，这限制了这些方法的适用性。
为了解决在缺乏完整敏感属性信息的情况下提供公平推荐的挑战，我们设计了一种基于有限用户敏感属性的公平推荐方法。该方法利用用户的历史交互记录和已有的敏感属性信息，通过重建用户的缺失敏感属性来弥补信息不完整性。
为了应对重建过程中的误差，通过构建了一个模糊集合，其中包含了缺失敏感属性的真实分布以及一部分其他潜在分布，然后，采用分布式鲁棒优化技术对模糊集合中的所有分布进行公平性优化，以确保在有限敏感属性的情况下，推荐结果仍能保持公平。
发明内容
本发明的目的是为推荐系统提供一种更加普适且有效的推荐系统公平性解决方案，不再依赖于完整敏感属性信息的获取,通过该方法为用户提供个性化且公平的推荐体验，促进推荐系统的公平性和社会的公正性。
本发明为达到上述发明目的，采用如下技术方案：
第一方面，本发明提供一种基于有限用户敏感属性的公平推荐方法，该方法包括以下步骤：
S1：利用已有的敏感属性信息和用户的历史交互记录以重建用户的缺失敏感属性，基于用户的交互历史使用机器学习或神经网络，推断得出缺失敏感属性的可能取值，以弥补已有的敏感属性信息的不完整性；
S2：利用重建后的敏感属性以及重建的错误率构建模糊集合，模糊集合包含缺失敏感属性的真实分布以及其他潜在部分的分布；
S3：基于分布式鲁棒优化方法，对模糊集合中包含的所有分布进行公平性优化。
更进一步地，所述缺失敏感属性的可能取值范围与敏感属性的可能取值范围相同，敏感属性的取值范围为{1,2,…,M}，其中M表示为敏感属性的所有不同取值数量。
更进一步地，在步骤S1中，所述对用户的缺失敏感属性重建的具体过程如下：
（1）定义数据集D中每个样本表述为，其中/>表示用户，/>表示物品，/>表示用户的敏感属性，/>表示用户评分，对于任意用户/>，将其交互历史构建为向量,其中/>为用户/>对物品/>的评分，且/>，若数据集D中用户/>未对/>显式评分，则/>；
（2）利用SVM、逻辑回归或深度神经网络作为重建网络，重建网络将用户历史交互向量作为输入，以预测得出缺失的敏感属性；
（3）使用预测得出的敏感属性填补入缺失敏感属性的子数据集/>中，填补后的子数据集称为/>，按照敏感属性不同划分数据集D，将数据集/>中具有敏感属性/>的子数据集记作/>，并将/>中具有重建敏感属性/>的样本子集记作/>，不含有用户敏感属性的子数据集为/>，拥有已知敏感属性的子数据集/>，其中，/>，且/>。
更进一步地，所述敏感属性包括性别、年龄、职业、专业。
更进一步地，在步骤S2中，所述模糊集合的具体构建过程为：
（1）若用户-物品对的条件联合分布满足经验分布形式/>，，且重建后的敏感属性值为s，则/>，反之，则，其中/>表示用户-物品对在/>条件下的联合经验分布，/>表示集合中元素的数量，/>表示样本/>在/>中的概率样本权重；
（2）利用全变差距离衡量两个概率分布之间的距离，并基于全变差距离构建模糊集合，构建的模糊集合为，其中/>表示两个分布间的全变差距离，/>表示/>维实数空间，/>表示分布间的距离上界，表示模糊集合中的元素，表达为：/>，/>表示模糊集合中元素/>对于样本/> 的概率样本权重；
（3）利用真实敏感属性的重建错误率估计分布间的距离上界，表达为：，其中，/>表示对真实敏感属性/>的重建错误率。
更进一步地，当重建敏感属性的分布/>与真实敏感属性S的分布/>相同时，则所述两个分布间的全变差距离/>，其中/>为真实缺失敏感属性/>条件下用户-物品对的条件联合分布，/>表示重建敏感属性/>的分布，/>表示真实敏感属性S的分布。
更进一步地，在步骤S3中，所述基于分布式鲁棒优化的推荐公平优化的具体过程为：
（1）构建统计公平，要求推荐模型的预测得分与敏感属性独立，即，其中/>表示模型的预测得分，/>代表推荐模型预测得分/>的概率密度函数，/>代表推荐模型预测得分 />在给定敏感属性S的条件下的条件概率密度函数；
（2）利用分布式鲁棒优化技术提升统计公平，通过最小化整个模糊集合中使公平性最差的分布，以在整个模糊集合中包含的所有分布上均保证模型公平，具体的优化目标如下：/>，其中，为推荐模型的损失函数，/>为推荐模型的参数，/>为对用户/>与物品/>的交互的评分，/>表示模糊集合中元素的数量，/>是用于平衡推荐系统损失函数与公平正则项的超参数/>表示利用分布式鲁棒优化的公平正则项，/>，M表示为敏感属性的所有不同取值数量；
（3）针对模糊集合中的任一个分布，/>通过约束整个数据集上预测得分的总体期望与给定敏感属性任一个具体取值/>下的条件期望以实现统计公平,具体表达为:/>，其中，，/>，/>为数据集/>上的预测得分的期望，/>为数据集/>上的预测得分的期望，则表示为在分布/>下模型预测得分的经验期望。
第二方面，本发明提供一种基于有限用户敏感属性的公平推荐装置，包括存储器以及处理器，存储器存储有计算机可执行指令，处理器被配置为运行所述计算机可执行指令，所述计算机可执行指令被所述处理器运行时实现所述的基于有限用户敏感属性的公平推荐方法。
第三方面，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现所述的基于有限用户敏感属性的公平推荐方法。
与现有技术相比，本发明的有益效果如下：
1、数据导向方法、对抗学习方法、正则化方法、重新排序方法都假设全部用户的敏感属性已知，这在实践中往往是难以成立的，法律保护的原因，收集敏感属性需要得到用户的明确同意，这限制了这些方法的适用性，本发明提出一种基于有限用户敏感属性的公平推荐方法，旨在为推荐系统提供一种更加普适且有效的推荐系统公平性解决方案，不再依赖于完整敏感属性信息的获取，推动推荐系统的公平性和社会的公正性。
2、本发明方法利用用户的历史交互记录和已有的敏感属性信息，通过重建用户的缺失敏感属性来弥补信息不完整性，为了应对重建过程中的误差，构建了一个模糊集合，其中包含了缺失敏感属性的真实分布以及一部分其他潜在分布，采用分布式鲁棒优化技术对模糊集合中的所有分布进行公平性优化，以确保在有限敏感属性的情况下，推荐结果仍能保持公平。
3、根据重建出的敏感属性以及重建的错误率，构建了一个模糊集合，考虑到重建过程中的不确定性，可以通过构建的模糊集合，使得更全面地考虑并建模敏感属性的潜在真实取值，而不仅仅依赖于单一的重建结果。
附图说明
图1为本发明提供的整体流程示意图。
具体实施方式
实施例1：
本实施例公开了一种基于有限用户敏感属性的公平推荐方法，参考图1，该方法包括以下步骤：
S1：利用已有的敏感属性信息和用户的历史交互记录以重建用户的缺失敏感属性，基于用户的交互历史使用机器学习技术或神经网络技术，推断得出缺失敏感属性的可能取值，以弥补已有的敏感属性信息的不完整性；
S2：利用重建后的敏感属性以及重建的错误率构建模糊集合，模糊集合包含缺失敏感属性的真实分布以及其他潜在部分的分布；
S3：基于分布式鲁棒优化方法，对模糊集合中包含的所有分布进行公平性优化。
在步骤S1中，对用户的缺失敏感属性重建的具体过程如下：
（1）定义数据集D中每个样本表述为，其中/>表示用户，/>表示物品，/>表示用户的敏感属性，/>表示用户评分，对于任意用户/>，将其交互历史构建为向量,其中/>为用户/>对物品/>的评分，且/>，若数据集D中用户/>未对/>显式评分，则/>；
（2）利用SVM、逻辑回归或深度神经网络作为重建网络，重建网络将用户历史交互向量作为输入，以预测得出缺失的敏感属性；
（3）使用预测得出的敏感属性填补入缺失敏感属性的子数据集/>中，填补后的子数据集称为/>，按照敏感属性不同划分数据集D，将数据集/>中具有敏感属性/>的子数据集记作/>，并将/>中具有重建敏感属性/>的样本子集记作/>，不含有用户敏感属性的子数据集为/>，拥有已知敏感属性的子数据集/>，数据集/>中具有敏感属性的子数据集记作/>，其中，/>，且/>。
其中，缺失敏感属性的可能取值范围与敏感属性的可能取值范围相同，敏感属性的取值范围为{1,2,…,M}，其中M表示为敏感属性的所有不同取值数量。
敏感属性可能是性别，职业等，根据应用场景不同而改变，比如敏感属性是性别，用中文表示敏感属性的取值范围是{男，女}，则数学化为敏感属性的取值范围为{1,2}。再比如敏感属性是职业，中文表示敏感属性的取值范围是{医生，老师，工人}，数学化敏感属性的取值范围为{1,2,3}，敏感属性的取值范围为{1,2,…,M}，其中M表示敏感属性的所有不同取值数量。
将已知敏感属性用户的历史交互信息进行多次训练，且将缺失敏感属性用户的历史交互进行输出，确定重建的网络。
在步骤S2中，模糊集合的具体构建过程为：
（1）若用户-物品对的条件联合分布满足经验分布形式/>，，且重建后的敏感属性值为s,则/>，反之，，其中/>表示用户-物品对在/>条件下的联合经验分布，/>表示集合中元素的数量，/>表示样本/>在/>中的概率样本权重；
（2）利用全变差距离衡量两个概率分布之间的距离，并基于全变差距离构建模糊集合，构建的模糊集合为，其中/>表示两个分布间的全变差距离，/>表示/>维实数空间，/>表示分布间的距离上界，表示集合中的元素，表达为：/>，/>表示模糊集合中元素/>对于样本/> 的概率样本权重；
（3）利用对真实敏感属性的重建错误率估计分布间的距离上界，表达为：，其中，/>表示对真实敏感属性/>的重建错误率。
当重建敏感属性的分布/>与真实敏感属性S的分布/>相同时，则两个分布间的全变差距离/>，其中/>为真实缺失敏感属性/>条件下用户-物品对的条件联合分布，/>表示重建敏感属性/>的分布，/>表示真实敏感属性S的分布。
在步骤S3中，基于分布式鲁棒优化的推荐公平优化的具体过程为：
（1）构建统计公平，要求推荐模型的预测得分与敏感属性独立，即，其中/>表示模型的预测得分，/>代表推荐模型预测得分/>的概率密度函数，/>代表推荐模型预测得分 />在给定敏感属性S的条件下的条件概率密度函数；
（2）利用分布式鲁棒优化技术提升统计公平，通过最小化整个模糊集合中使公平性最差的分布，以在整个模糊集合中包含的所有分布上均保证模型公平，具体的优化目标如下：/>，其中，为推荐系统的损失函数，/>为推荐模型的参数，/>为对用户/>与物品/>的交互的评分，/>表示为集合中元素的数量，为用于平衡推荐系统损失函数与公平正则项的超参数/>表示利用分布式鲁棒优化的公平正则项，/>，M表示为敏感属性的所有不同取值数量；
3）针对模糊集合中的任一个分布，/>通过约束整个数据集上预测得分的总体期望与给定敏感属性任一个具体取值/>下的条件期望以实现统计公平,具体表达为:/>，其中，，/>，/>是数据集/>上的预测得分的期望，/>是数据集/>上的预测得分的期望，则表示在分布/>下模型预测得分的经验期望。
为了验证实施例1中基于有限用户敏感属性的公平推荐方法的有效性，在MovieLens-1M公开数据集和腾讯Tenrec公开数据集中进行实验。
两类数据集都随机选取一半用户作为已知敏感属性的用户，并选取另一半用户作为缺失敏感属性的用户。采用矩阵分解算法作为推荐系统的骨架模型，同时并本方法与其它公平性算法进行比较。比较的公平性算法包括RegK，RegR，CGL，其中RegK，RegR是基于正则公平性算法改进而来，原始的正则公平性算法需要假设获取全部敏感属性，这在现实场景中常常不能成立。RegK只基于拥有的敏感属性施加公平性约束，而RegR同时利用拥有的敏感属性与重建的敏感属性施加公平约束，CGL是分类任务中基于有限敏感属性的公平性算法。在验证集上以不超过骨架模型98%的RMSE性能下降选取最公平的模型。以统计公平指标为测试指标，最终结果如表格1所示：
表格1 不同方法在公开数据集上的测试表现
从表格1可以看出，本方法的推荐公平优化方法在实际场景中无需收集完整敏感属性的情况下成功地实现了更好的公平性，而传统的正则公平性算法需要获取全部敏感属性，在现实场景中，这往往是不可行的，本发明的方法则不受此限制，通过利用已有的敏感属性和重建的敏感属性，更加鲁棒地施加公平性约束，使得推荐结果在有限敏感属性情况下仍能表现出更好的公平性。
实施例2：
一种基于有限用户敏感属性的公平推荐装置，包括存储器以及处理器，存储器存储有计算机可执行指令，处理器被配置为运行所述计算机可执行指令，计算机可执行指令被所述处理器运行时实现本实施例1公开的基于有限用户敏感属性的公平推荐方法
实施例3：
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时实现本实施例1公开的基于有限用户敏感属性的公平推荐方法。

Claims (5)

1.一种基于有限用户敏感属性的公平推荐方法，其特征是，该方法包括以下步骤：
S1：利用已有的敏感属性信息和用户的历史交互记录以重建用户的缺失敏感属性，基于用户的交互历史使用机器学习或神经网络，推断得出缺失敏感属性的可能取值，以弥补已有的敏感属性信息的不完整性；
在步骤S1中，所述用户的缺失敏感属性重建的具体过程如下：
(1)定义数据集D中每个样本表述为(u，v，s，r)，其中u表示用户，v表示物品，s表示用户的敏感属性，r表示用户评分，对于任意用户u，将其交互历史构建为向量x＝[xu，0，xu，1，...，xu，N]，其中xu，v为用户u对物品v的评分，且xu，v∈{0，1}，若数据集D中用户u未对v显式评分，则xu，v＝0；
(2)利用SVM、逻辑回归或深度神经网络作为重建网络，重建网络将用户历史交互向量作为输入，以预测得出缺失的敏感属性
(3)使用预测得出的敏感属性填补入缺失敏感属性的子数据集Dm中，填补后的子数据集称为/>按照敏感属性不同划分数据集D，将数据集D中具有敏感属性S＝s的子数据集记作D(s)，并将D(s)中具有重建敏感属性/>的样本子集记作/>不含有用户敏感属性的子数据集为Dm，拥有已知敏感属性的子数据集Dk，数据集Dk中具有敏感属性S＝s的子数据集记作/>其中，D＝Dk∪Dm，且/>
S2：利用重建后的敏感属性以及重建的错误率构建模糊集合，模糊集合包含缺失敏感属性的真实分布以及其他潜在部分的分布；
在步骤S2中，所述模糊集合的具体构建过程为：
(1)若用户物品对的条件联合分布满足经验分布形式且重建后的敏感属性值为s，则反之，则/>其中/>表示用户物品对在/>条件下的联合经验分布，|·|表示集合中元素的数量，/>表示样本(u，v，s)在/>中的概率样本权重；
(2)利用全变差距离衡量两个概率分布之间的距离，并基于全变差距离构建模糊集合，构建的模糊集合为 其中TV(·，·)表示两个分布间的全变差距离，/>表示/>维实数空间，/>表示模糊集合中的元素，表达为：/> 表示模糊集合中元素/>对于样本(u，v，s)的概率样本权重；
(3)利用真实敏感属性的重建错误率估计分布间的距离上界ρs，表达为：其中，/>表示对真实敏感属性S＝s的重建错误率；
当重建敏感属性的分布/>与真实敏感属性S的分布P(S)相同时，则所述两个分布间的全变差距离/>其中Q(s)为真实缺失敏感属性S＝s条件下用户物品对的条件联合分布，/>表示重建敏感属性/>的分布，P(S)表示真实敏感属性S的分布；
S3：基于分布式鲁棒优化方法，对模糊集合中包含的所有分布进行公平性优化；
在步骤S3中，所述模糊集合中包含的所有分布公平性优化的具体过程为：
(1)构建统计公平，要求推荐模型的预测得分与敏感属性独立，即其中/>表示模型的预测得分，/>代表推荐模型预测得分/>的概率密度函数，/>代表推荐模型预测得分/>在给定敏感属性S的条件下的条件概率密度函数；
(2)利用分布式鲁棒优化方法提升统计公平，通过最小化整个模糊集合中公平性最差的分布，以保证整个模糊集合中包含的所有分布的公平性，其中，具体的公平性优化目标如下：/>其中，为推荐模型的损失函数，θ为推荐模型的参数，/>为对用户u与物品v的交互的评分，|·|表示模糊集合中元素的数量，λs为用于平衡推荐模型损失函数与公平正则项的超参数，/>表示利用分布式鲁棒优化的公平正则项，/>M表示为敏感属性的所有不同取值数量；
(3)针对模糊集合中的任一个分布 通过约束整个数据集上预测得分的总体期望与给定敏感属性任一个具体取值s下的条件期望以实现统计公平，具体表达为：其中，
为子数据集/>上的预测得分的期望，为数据集D上的预测得分的期望，则表示在分布/>下模型预测得分的经验期望。
2.根据权利要求1所述的基于有限用户敏感属性的公平推荐方法，其特征是，所述缺失敏感属性的可能取值范围与敏感属性的可能取值范围相同，敏感属性的取值范围为{1，2，...，M}，其中M表示为敏感属性的所有不同取值数量。
3.根据权利要求1所述的基于有限用户敏感属性的公平推荐方法，其特征是，所述敏感属性包括性别、年龄、职业、专业。
4.一种基于有限用户敏感属性的公平推荐装置，包括存储器以及处理器，存储器存储有计算机可执行指令，处理器被配置为运行所述计算机可执行指令，其特征在于，所述计算机可执行指令被所述处理器运行时实现权利要求1～3任一项所述的基于有限用户敏感属性的公平推荐方法。
5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时实现权利要求1～3任一项所述的基于有限用户敏感属性的公平推荐方法。
CN202311004219.4A 2023-08-10 2023-08-10 一种基于有限用户敏感属性的公平推荐方法、设备及介质 Active CN116720006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311004219.4A CN116720006B (zh) 2023-08-10 2023-08-10 一种基于有限用户敏感属性的公平推荐方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311004219.4A CN116720006B (zh) 2023-08-10 2023-08-10 一种基于有限用户敏感属性的公平推荐方法、设备及介质

Publications (2)

Publication Number Publication Date
CN116720006A CN116720006A (zh) 2023-09-08
CN116720006B true CN116720006B (zh) 2023-11-03

Family

ID=87871997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311004219.4A Active CN116720006B (zh) 2023-08-10 2023-08-10 一种基于有限用户敏感属性的公平推荐方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116720006B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105474166A (zh) * 2013-03-15 2016-04-06 先进元素科技公司 用于有目的计算的方法和系统
WO2019122288A1 (en) * 2017-12-22 2019-06-27 Koninklijke Philips N.V. Digital health proxy system and device
CN110071800A (zh) * 2019-04-10 2019-07-30 苏州同济区块链研究院有限公司 一种基于区块链的公平安全电子投票协议方法
CN110276016A (zh) * 2019-06-28 2019-09-24 中国科学技术大学 一种基于差分隐私的社会化推荐方法
CN112184391A (zh) * 2020-10-16 2021-01-05 中国科学院计算技术研究所 一种推荐模型的训练方法、介质、电子设备和推荐模型
CN112380433A (zh) * 2020-11-13 2021-02-19 中国科学技术大学 面向冷启动用户的推荐元学习方法
CN113434761A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 推荐模型训练方法、装置、计算机设备和存储介质
CN115310606A (zh) * 2022-08-11 2022-11-08 浙江工业大学 基于数据集敏感属性重构的深度学习模型去偏方法及装置
CN115423038A (zh) * 2022-09-28 2022-12-02 北京有竹居网络技术有限公司 用于确定公平性的方法、装置、电子设备和存储介质
CN116010718A (zh) * 2023-01-10 2023-04-25 合肥工业大学 基于互信息解耦的公平个性化推荐方法、设备及存储介质
CN116562992A (zh) * 2023-07-11 2023-08-08 数据空间研究院 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7593939B2 (en) * 2006-04-07 2009-09-22 Google Inc. Generating specialized search results in response to patterned queries
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105474166A (zh) * 2013-03-15 2016-04-06 先进元素科技公司 用于有目的计算的方法和系统
WO2019122288A1 (en) * 2017-12-22 2019-06-27 Koninklijke Philips N.V. Digital health proxy system and device
CN110071800A (zh) * 2019-04-10 2019-07-30 苏州同济区块链研究院有限公司 一种基于区块链的公平安全电子投票协议方法
CN110276016A (zh) * 2019-06-28 2019-09-24 中国科学技术大学 一种基于差分隐私的社会化推荐方法
CN112184391A (zh) * 2020-10-16 2021-01-05 中国科学院计算技术研究所 一种推荐模型的训练方法、介质、电子设备和推荐模型
CN112380433A (zh) * 2020-11-13 2021-02-19 中国科学技术大学 面向冷启动用户的推荐元学习方法
CN113434761A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 推荐模型训练方法、装置、计算机设备和存储介质
CN115310606A (zh) * 2022-08-11 2022-11-08 浙江工业大学 基于数据集敏感属性重构的深度学习模型去偏方法及装置
CN115423038A (zh) * 2022-09-28 2022-12-02 北京有竹居网络技术有限公司 用于确定公平性的方法、装置、电子设备和存储介质
CN116010718A (zh) * 2023-01-10 2023-04-25 合肥工业大学 基于互信息解耦的公平个性化推荐方法、设备及存储介质
CN116562992A (zh) * 2023-07-11 2023-08-08 数据空间研究院 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
fairness in machine learning: a survey;S Caton;ACM;全文 *
is chatGPT fair for recommedation? evaluating fairness in large language model recommedation;JIZHI ZHANG;arXiv;全文 *
面向敏感信息的推荐系统公平性与隐私保护研究;杜清月;信息科技辑;全文 *

Also Published As

Publication number Publication date
CN116720006A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Meng et al. Interpretability and fairness evaluation of deep learning models on MIMIC-IV dataset
EP4181026A1 (en) Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium
Sim et al. Missing values and optimal selection of an imputation method and classification algorithm to improve the accuracy of ubiquitous computing applications
Koulayev Search with dirichlet priors: estimation and implications for consumer demand
CN113761388B (zh) 一种推荐方法、装置、电子设备及存储介质
Feng et al. Social network regularized sparse linear model for top-n recommendation
CN115631008B (zh) 商品推荐方法、装置、设备及介质
Lukita et al. Predictive and analytics using data mining and machine learning for customer churn prediction
Lian et al. Mutual reinforcement of academic performance prediction and library book recommendation
Chen et al. CONAN: A framework for detecting and handling collusion in crowdsourcing
Dekhovich et al. Continual prune-and-select: class-incremental learning with specialized subnetworks
Dolui et al. Towards privacy-preserving mobile applications with federated learning: The case of matrix factorization (poster)
CN114461929A (zh) 一种基于协同关系图的推荐方法及相关装置
Wang et al. Toward dual roles of users in recommender systems
CN112785585A (zh) 基于主动学习的图像视频质量评价模型的训练方法以及装置
Zhang et al. Precision Marketing Method of E‐Commerce Platform Based on Clustering Algorithm
Cao et al. Personalized next-best action recommendation with multi-party interaction learning for automated decision-making
Yin et al. An efficient recommendation algorithm based on heterogeneous information network
Yang et al. Restricted Boltzmann machines for recommender systems with implicit feedback
US11144938B2 (en) Method and system for predictive modeling of consumer profiles
Guo et al. Seeing is believing: Towards interactive visual exploration of data privacy in federated learning
Sharma et al. Recommendation system for movies using improved version of som with hybrid filtering methods
CN116720006B (zh) 一种基于有限用户敏感属性的公平推荐方法、设备及介质
CN117094773A (zh) 基于区块链隐私计算的在线迁移学习方法及系统
Lian et al. Jointly recommending library books and predicting academic performance: A mutual reinforcement perspective

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant