[发明专利]一种基于逆倾向加权方法的反事实公平的推荐方法

说明书

本发明公开了一种基于逆倾向加权方法的反事实公平的推荐方法，包括：1.利用用户和产品的交互记录构建评分矩阵，利用用户的二值敏感属性构建敏感属性矩阵；2.提出推荐的反事实公平性定义；3.预训练推荐模型，获得用户和产品的表征；4.通过图卷积方式进行特征传播，构建特征到敏感属性的分类器；5.提出基于图的自监督学习正则化项；6.固定分类器参数，获得针对敏感属性取值的倾向分数；7.通过逆倾向加权技术构建推荐的损失函数，更新模型参数。本发明从因果影响估计的角度出发，避免从交互数据中构建因果图，以实现推荐的反事实公平性，同时兼顾推荐的准确度，保证推荐内容的质量，为促进推荐的公平性研究提供了有利基础。

技术领域

本发明涉及推荐领域，具体来说是一种基于逆倾向加权方法的反事实公平的推荐方法。

技术背景

随着信息量的爆炸性增长，丰富的音视频、商品等等资源给用户带来了信息过载的难题。为了解决这个问题，个性化推荐系统技术受到了广泛研究。通过将挖掘用户的历史记录、语义特征等信息，个性化推荐系统技术建模用户潜在的偏好，并将用户潜在感兴趣的产品资源推荐给用户，提高了用户的浏览体验。

协同过滤的方法是一种被广泛采用的个性化推荐系统技术。具体地，协同过滤方法通过将用户和产品的ID映射到嵌入表征空间，比较用户和产品表征的相似性获得用户和产品的预测交互情况，然后通过缩小预测交互和历史交互的差距来优化嵌入表征空间的参数。近年来，由于用户-产品交互天然地构成一个二部图结构，通过挖掘二部图的用户和产品之间的高阶协同信息，基于图卷积的推荐系统显著提高了性能，成为了主流推荐系统算法之一。然而，传统协同过滤算法在挖掘协同信息时，往往忽略公平性的要求。基于不同的敏感属性取值，用户群体往往可以被分为多个不同的用户分组。不同用户分组往往在交互行为上有着显著的差距，因此得到的推荐结果也有非常明显的区别。这种推荐结果上的区别往往违反了法律和道德意义层面上的公平原则，比如，工作推荐系统会针对资质相似的男性用户和女性用户推荐截然不同的工作，有性别歧视的风险。

现有的以公平性为目标的协同过滤推荐模型大多从数据角度分析用户分组之间的差异；数据角度的公平性往往强烈依赖于公平性的定义，不同的公平性定义之间往往不统一，甚至有很强的冲突；因此，这些数据角度分析的公平并不是最优的公平性分析方式，反而因为强制约束不同的个体或者群体趋于一致，造成了明显的推荐系统的性能损失。

发明内容

本发明为了解决现有技术的不足之处，从因果影响估计的角度出发，避免从复杂的交互数据中构建因果图，提出一种基于逆倾向加权方法的反事实公平的推荐方法，以期能实现推荐的反事实公平性，即用户的敏感属性值变化不会对推荐结果产生影响；同时兼顾推荐的准确度性能，保证推荐内容的质量，从而为改善推荐的公平性提出简单有效的优化方式，为促进推荐系统的公平性研究发展提供有利基础。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于逆倾向加权的反事实公平的推荐方法的特点是按如下步骤进行：

步骤1、利用用户和产品的交互记录构建评分矩阵，利用用户的二值敏感属性值构建二值敏感属性矩阵：