الأمثلية الباريتية لفلترة التعاون المقيدة بالعدالة

نموذج فلترة التعاون المعروف (CF) عادةً ما يحسن هدفًا واحدًا يتم جمعه عبر جميع تفاعلات المستخدم-العنصر التاريخية. بسبب الاختلالات والتحيزات الحتمية في البيانات الواقعية، قد يطورون سياسة تمييز غير عادل ضد بعض المجموعات الفرعية ذات ترددات العينة المنخفضة. لتحقيق توازن بين أداء التوصية العام والعدالة، تعتمد الحلول السائدة قيود العدالة أو التقييد الإضافي لفرض المساواة في أداء معين عبر المجموعات الفرعية المختلفة. ومع ذلك، قد يؤدي فرض المساواة في الأداء بشكل بسيط إلى تدهور كبير في أداء تلك المجموعات الفرعية المميزة. لمعالجة هذه المشكلة، نصيغ مسألة تحسين متعدد الأهداف المقيدة (MOO). على عكس الهدف الواحد، نتعامل مع أداء كل مجموعة فرعية على أنه هدف بشكل متساوٍ. هذا يضمن أن تردد عينة المجموعة الفرعية غير المتوازن لا يؤثر على معلومات التدرج. نقترح أيضًا قيود العدالة لتحديد مساحة البحث للحصول على حلول أكثر توازنًا. لحل مشكلة MOO المقيدة، تقترح خوارزمية MOO المقيدة المعتمدة على التدرج للبحث عن حل مناسب يمتاز بالأمثلية الباريتية لتوازن الأداء. تُظهر تجارب واسعة على مجموعات بيانات صناعية وعالمية أن نهجنا يمكن أن يساعد في تحسين دقة التوصيات للمجموعات المحرومة، دون الإضرار بالأداء العام.