文件名称：FairGo:学习推荐的公平陈述
文件大小：227.37MB
文件格式：ZIP
更新时间：2024-06-10 21:42:55
pytorch collaborative-filtering recommendation fair fairness
FairGo WWW2021 学习推荐的公平表示形式：基于图的观点 作为人工智能的关键应用，推荐系统是最普及的计算机辅助系统之一，可以帮助用户找到潜在的兴趣项。 最近，研究人员对人工智能应用的公平性问题给予了极大的关注。 这些方法大多数都假定实例独立，并设计了复杂的模型来消除敏感信息以促进公平。 但是，推荐系统与这些方法有很大的不同，因为用户和项目自然会形成用户项二部图，并且在图结构中进行协作关联。 在本文中，我们提出了一种新颖的基于图的技术来确保任何推荐模型的公平性。 这里，公平性要求是指在用户建模过程中不公开敏感功能集。 具体来说，根据任何推荐模型的原始嵌入，我们将学习过滤器的组成，这些过滤器可根据敏感特征集将每个用户和每个项目的原始嵌入转换为已过滤的嵌入空间。 对于每个用户，此转换是在以用户为中心的图的对抗学习下实现的，以便使过滤后的用户嵌入与该用户的子图结构两者之间的每个敏感特
【文件预览】：
FairGo-main
----data()
--------ml1m()
--------.DS_Store(6KB)
--------lastfm()
----.DS_Store(10KB)
----code()
--------fixed_emb()
--------.DS_Store(6KB)
--------code_ml()
--------code_lastfm()
----figure()
--------framework.pdf(74KB)
--------framework.jpg(624KB)
--------.DS_Store(6KB)
----README.md(3KB)