FairNS: Amostragem Negativa Justa em Filtragem Colaborativa via Modelos de Difusão

Métodos de filtragem colaborativa (CF) comumente utilizam amostragem negativa para melhorar o aprendizado de preferências ao contrastar interações observadas com itens não observados. Embora eficaz, a prática convencional trata implicitamente todos os itens não clicados como igualmente informativos, independentemente de seu grupo semântico (por exemplo, gênero ou categoria). Isso ignora uma limitação crítica: os modelos podem explorar distinções de grupo grosseiras em vez de preferências verdadeiramente refinadas, induzindo desequilíbrios de exposição entre os grupos de itens. Esses desequilíbrios constituem uma violação da justiça do lado do item, que busca exposição e avaliação equitativas para itens de diferentes grupos semânticos. Quando as amostras negativas são extraídas predominantemente de grupos semanticamente distantes dos positivos de um usuário, o sinal de aprendizado se torna enviesado e as comparações injustas. Portanto, revisitamos a amostragem negativa através da lente da justiça do lado do item e argumentamos que a verdadeira justiça requer amostragem consciente do contexto que garante comparações semelhantes dentro de cada grupo semântico. Para isso, introduzimos o FairNS, uma estrutura de amostragem baseada em difusão que gera amostras negativas dentro do mesmo grupo semântico que os positivos do usuário, incentivando contrastes intra-grupais justos que respeitam a integridade do grupo. Ao centrar o treinamento nessas comparações intra-grupais, o FairNS mitiga o viés entre grupos e permite que o recomendador aprenda preferências de usuário mais precisas. O FairNS é otimizado através de um objetivo bi-nível que refinamente junta o mecanismo de amostragem e o modelo de recomendação. Experimentos em três conjuntos de dados de referência mostram que o FairNS alcança um equilíbrio favorável entre justiça e precisão.