帕累托排序學習：基於推薦系統公平性的排序學習

作者 | 汪昊

審校 | 孫淑娟

推薦系統公平性是 2017 年以來爆火的人工智慧研究領域。知名的人工智慧公司如 Twitter, Google, IBM和百度，都創立了人工智慧倫理團隊或研發了人工智慧倫理產品。然而讓人遺憾的是，人工智慧倫理研究在國內起步較晚，跟國外相比，目前仍有一定差距。

排序學習是在 2010 年左右爆發的機器學習技術，在推薦系統和資訊檢索領域都得到了廣泛的應用。在最近幾年，排序學習成為了熱門的人工智慧倫理研究演算法基準。

本文將要介紹的是 2022 年在國際學術會議 CISAT 2022 (International Conference on Computer Information Science and Application Technology) 發表的論文 Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems。本文主要說明如何結合帕累托分佈和排序學習實現公平的排序學習推薦演算法。

圖1. MovieLens 資料集觀影評分差機率分佈

我們根據觀察（圖1）和統計理論（齊夫分佈的統計估計）可以得到以下結論： 同一個使用者對不同物品的評分差的機率分佈正比於評分差。我們修改機率矩陣分解的損失函數，得到我們發明的新演算法帕累托排序學習（Pareto Pairwise Ranking）的損失函數公式：

把我們剛才的觀察帶入損失函數公式中，我們得到以下損失函數公式：

我們把L 取對數，得到以下公式：

我們利用隨機梯度下降公式來解損失函數對數，得到以下公式：

#帕累托排序學習的演算法流程如下：

圖2和圖3顯示的是帕累托排序學習在MovieLens 1 Million Dataset 資料集上的測試結果。論文作者比較了 10 種推薦系統演算法，發現帕累托排序學習演算法在公平性指標上表現最佳。

圖4 和圖5 顯示的是帕累托排序學習在LDOS-CoMoDa 資料集上的測試結果。帕累托排序學習演算法在公平性指標上的表現依然最好。

#########帕累托排序學習演算法是國內少見的基於公平性的排序學習推薦系統演算法。演算法原理簡單，實作簡便，運行速度快。作者在 16G RAM 和 Intel Core i5 的聯想筆記本上測試，執行速度很快。人工智慧倫理研究在國際上目前是研究熱點，希望能引起大家的足夠重視。 ############作者簡介############汪昊，前Funplus 人工智慧實驗室負責人，在ThoughtWorks, 豆瓣，新浪，網易等公司有超過11 年的研發和管理經驗。在推薦系統、聊天機器人、風控反詐騙領域有豐富的技術經驗。在國際學術會議和期刊發表論文 30 篇，獲得最佳論文獎/最佳論文報告獎3次。 2006 年 ACM 區域賽金牌。本科和碩士畢業於美國猶他大學。對外經貿大學在職 MBA。 ##################

以上是帕累托排序學習：基於推薦系統公平性的排序學習的詳細內容。更多資訊請關注PHP中文網其他相關文章！