戦略的エージェントによるバイアス排除と公正な露出最適化を推進するレコメンダーシステムにおけるパフォーマティブ・デバイアス

データバイアス、例えば人気はレコメンダーシステム内の双方向市場のダイナミクスを損ないます。これにより、ユーザーの興味を引く可能性のあるあまり目立たないロングテールアイテムが影を潜めています。この問題を巡る研究の豊富さにもかかわらず、依然として課題を提起し、学術界では注目のトピックとされています。この文脈において、本論文では、戦略的エージェントによって駆動される公正な露出最適化を用いた動的設定における再ランキングアプローチを開発しました。プロデューサー側を対象に設計しており、エージェントの実行は、コンテンツクリエイターが露出を最大化するために戦略的インセンティブに基づいてアイテムの特徴を変更できることを前提としています。この反復プロセスは、正確さと公正さの同時ターゲティングを行う微分可能なランキングオペレーターを用いて、エンドツーエンドの最適化を含みます。共同の目標は、推薦のパフォーマンスを確保しつつ、ロングテールアイテムの可視性を向上させます。また、予測のパフォーマティビティの性質を活用して、戦略的学習がコンテンツクリエイターに公正性に向かうことを効率的に促進し、ロングテールアイテムの特徴を促進する様子を実証しました。公的および産業データセットに関する包括的な実験を通じて、提案された方法の効果と優位性、特にロングテールアイテムの潜在能力を引き出すことにおいて強調されました。