摘要

最近，人们越来越意识到，当机器学习 (ML) 算法用于自动化选择时，他们可能会不公平地对待/影响个人，具有法律、道德或经济后果。推荐系统是此类 ML 系统的重要示例，帮助用户做出高风险的判断。

以往关于推荐系统公平性的文献研究的一个共同趋势是，大多数文献将用户公平性和项目公平性分开处理，而忽略了推荐系统在双边市场中运行的事实。在这项工作中，我们提出了一种基于优化的重新排序方法，该方法无缝地将来自消费者和生产者双方的公平约束集成在一个联合目标框架中。通过在8个数据集上的大规模实验，我们的方法能够在不降低整体推荐质量的情况下提高消费者和生产者的公平性，从而证明了算法在最小化数据偏差方面可能起到的作用。

1、介绍

推荐系统无处不在，支持各种应用环境中的高风险决策，例如在线营销、音乐发现和高风险任务(例如，工作搜索、候选人筛选和贷款申请)。通过提供个性化的建议，这些系统对我们在线消费的内容、我们的信念和决策以及企业的成功产生了重大影响。

最近，人们越来越意识到机器学习(ML)模型在自动决策任务中的公平性，例如分类[5，29]和排序/过滤任务[8，10]，推荐系统就是后者的一个显著例子。然而，与分类不同，推荐系统(RS