基于去偏学习的公平推荐研究综述.docVIP

基于去偏学习的公平推荐研究综述

推荐系统作为信息过滤的核心技术，已深度渗透到电商、内容平台、在线社交等多个领域，在提升用户体验、优化资源分配效率的同时，其背后隐含的偏见问题也逐渐引发广泛关注。传统推荐模型高度依赖用户历史行为数据训练，而现实场景中数据收集过程往往存在结构性偏差：例如电商平台中热门商品被曝光的概率远高于长尾商品，导致模型持续向用户推送同质化热门内容，形成“马太效应”；招聘推荐系统可能因历史数据中女性候选人在技术岗位的占比偏低，系统性降低女性求职者在相关岗位的推荐优先级，造成性别歧视；内容平台的推荐算法可能放大用户的短期兴趣偏好，逐步窄化用户的信息接收范围，引发“信息茧房”现象。这些偏见不仅会损害用户对平台的信任，还可能加剧社会资源分配的不平等，因此基于去偏学习的公平推荐研究成为当前推荐系统领域的重要方向。

一、推荐系统中的常见偏见类型与来源

推荐系统的偏见来源贯穿数据收集、模型训练、结果输出的全流程，按照产生阶段可分为数据层偏见、模型层偏见和结果层偏见三类。

数据层偏见是推荐系统偏见的核心来源，主要由现实世界的结构性不平等和数据收集机制的缺陷共同导致。其中最典型的是选择偏差：用户的评分和交互行为并非对所有物品的客观反馈，而是仅发生在系统曝光的物品集合中，导致训练数据无法覆盖完整的用户-物品交互空间。例如电影推荐平台中，用户通常只会对自己感兴趣的电影进行评分，低评分样本