CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework

点-of-interest (POI) 推荐是一种上下文感知推荐，考虑了时空限制和上下文因素，如距离、高峰营业时间和用户之前的签到记录。由于这些系统不仅能影响消费者的旅行体验，还能影响 POI 的业务，因此从多个角度考虑公平性非常重要。不幸的是，这些系统往往会向不活跃的用户提供不太准确的推荐，向不受欢迎的 POI 提供较少的曝光。本文的目标是开发一种后过滤方法，将提供者和消费者公平因素纳入现有的推荐模型中，以满足物品曝光等公平指标和精度、距离等性能指标，使系统更加可持续，同时对消费者和提供者都有好处。实验表明，在重新评分推荐项目时，使用线性评分模型来考虑提供者公平性可以在一些情况下在性能和长尾曝光之间取得最佳平衡，而不会显著降低精度。当试图通过向不活跃的用户推荐更受欢迎的 POI 来解决消费者公平性时，结果是只有某些推荐模型和数据集的精度有所提高。最后，在考虑两个参数之间的权衡时，达到消费者和提供者公平性帕累托前沿的组合不幸地实现了最低的精度值。我们发现，这种权衡的性质在很大程度上取决于模型和数据集。

如何在POI推荐系统中考虑公平性问题，特别是针对不活跃用户和不受欢迎的POI？

开发一个后过滤方法，将提供者和消费者的公平因素纳入预先存在的推荐模型中，以满足公平度和性能度量标准，使系统对消费者和提供者都更可持续。

论文提出了一个线性评分模型，用于提供者公平性的重新评分，以在性能和长尾曝光之间取得最佳平衡。当尝试通过向不活跃用户推荐更受欢迎的POI来解决消费者公平性时，结果是只有一些推荐模型和数据集的精度有所提高。最后，当考虑这两个参数之间的权衡时，达到消费者和提供者公平度帕累托前沿的组合，不幸的是，实现的精度值最低。实验使用了不同的数据集，但没有开源代码。

与该领域的相关研究包括：《基于位置的推荐系统：研究现状和未来方向》、《公平的推荐系统：概述和前沿》等。