Cuantificación de la Incertidumbre para la Equidad en Sistemas de Recomendación de Dos Etapas

Muchos sistemas de recomendación a gran escala constan de dos etapas. La primera etapa filtra eficientemente el conjunto completo de elementos para un pequeño subconjunto de candidatos prometedores, del cual el modelo de la segunda etapa elabora las recomendaciones finales. En este documento, investigamos cómo garantizar la equidad grupal hacia los elementos en esta arquitectura de dos etapas. En particular, encontramos que los recomendadores de primera etapa existentes podrían seleccionar un conjunto de candidatos irremediablemente injusto, de tal manera que no hay esperanza de que el recomendador de segunda etapa entregue recomendaciones justas. Con este fin, motivados por recientes avances en la cuantificación de la incertidumbre, proponemos dos reglas de selección de políticas de umbral que pueden proporcionar garantías de equidad independientes de la distribución y con muestras finitas en recomendadores de primera etapa. Más concretamente, dado cualquier modelo de relevancia de consultas y elementos y un límite inferior de confianza puntual sobre el número esperado de elementos relevantes para cada política de umbral, las dos reglas encuentran conjuntos de candidatos casi óptimos que contienen suficientes elementos relevantes en expectativa de cada grupo de elementos. Para instanciar las reglas, demostramos cómo derivar tales límites de confianza a partir de datos de retroalimentación de usuarios potencialmente parciales y sesgados, que son abundantes en muchos sistemas de recomendación a gran escala. Además, proporcionamos tanto análisis de muestras finitas como asintóticos sobre cuán cercanas están las dos reglas de selección de umbral a los umbrales óptimos. Más allá de este análisis teórico, mostramos empíricamente que estas dos reglas pueden seleccionar consistentemente suficientes elementos relevantes de cada grupo mientras minimizan el tamaño de los conjuntos de candidatos para una amplia gama de configuraciones.