Apprentissage du classement Pareto : apprentissage du classement basé sur l'équité du système de recommandation

​Auteur | Revu par Wang Hao

| Sun Shujuan

L'équité dans les systèmes de recommandation est un domaine brûlant de recherche sur l'intelligence artificielle depuis 2017. Des sociétés d'intelligence artificielle bien connues telles que Twitter, Google, IBM et Baidu ont toutes créé des équipes d'éthique de l'intelligence artificielle ou développé des produits d'éthique de l'intelligence artificielle. Il est cependant regrettable que les recherches sur l’éthique de l’intelligence artificielle aient démarré tardivement en Chine et qu’il existe encore un certain écart par rapport aux pays étrangers.

Le Ranking Learning est une technologie d'apprentissage automatique qui a fait son apparition vers 2010 et a été largement utilisée dans les domaines des systèmes de recommandation et de la recherche d'informations. Ces dernières années, l’apprentissage par classement est devenu une référence algorithmique populaire pour la recherche sur l’éthique de l’intelligence artificielle.

Cet article présentera l'article Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems publié au CISAT 2022 (International Conference on Computer Information Science and Application Technology) en 2022. Cet article explique principalement comment combiner la distribution de Pareto et l'apprentissage du classement pour obtenir un algorithme de recommandation d'apprentissage du classement équitable.

Figure 1. Distribution de probabilité de la différence de cote de visionnage de films dans l'ensemble de données MovieLens

Nous pouvons obtenir les conclusions suivantes basées sur l'observation (Figure 1) et la théorie statistique (estimation statistique de la distribution Zipf) : Idem La distribution de probabilité de la différence de notation d'un utilisateur pour différents éléments est proportionnelle à la différence de notation. Nous modifions la fonction de perte de la décomposition de la matrice de probabilité et obtenons la formule de la fonction de perte du nouvel algorithme que nous avons inventé, Pareto Pairwise Ranking :

Apporter nos justes observations dans la perte Dans la formule de fonction, nous obtenons la formule de fonction de perte suivante :

Nous prenons le logarithme de L et obtenons la formule suivante :

Nous utilisons aléatoire gradientLa formule décroissante résout le logarithme de la fonction de perte et obtient la formule suivante :

Le flux algorithmique d'apprentissage du classement de Pareto est le suivant :

Les images 2 et 3 montrent les résultats des tests d'apprentissage du classement de Pareto sur l'ensemble de données MovieLens 1 Million Dataset. L'auteur de l'article a comparé 10 algorithmes de système de recommandation et a constaté que l'algorithme d'apprentissage du classement de Pareto était le plus performant en termes d'indice d'équité.

Les figures 4 et 5 montrent les résultats des tests d'apprentissage du classement de Pareto sur l'ensemble de données LDOS-CoMoDa. L’algorithme d’apprentissage du classement Pareto est toujours plus performant sur l’indice d’équité.

L'algorithme d'apprentissage du classement Pareto est un algorithme rare de système de recommandation d'apprentissage de classement basé sur l'équité en Chine. Le principe de l’algorithme est simple, facile à mettre en œuvre et rapide à mettre en œuvre. L'auteur l'a testé sur un ordinateur portable Lenovo avec 16 Go de RAM et Intel Core i5, et la vitesse d'exécution était très rapide. La recherche sur l’éthique de l’intelligence artificielle est actuellement un point chaud de la recherche au niveau international, et j’espère qu’elle attirera suffisamment l’attention de tous.

À propos de l'auteur

Wang Hao, ancien directeur du laboratoire d'intelligence artificielle Funplus, a plus de 11 ans d'expérience en R&D et en gestion chez ThoughtWorks, Douban, Sina, NetEase et d'autres sociétés. Il possède une riche expérience technique dans les domaines des systèmes de recommandation, des robots de chat, du contrôle des risques et de la lutte contre la fraude. A publié 30 articles dans des conférences et revues universitaires internationales et a remporté 3 fois le prix du meilleur article/du meilleur rapport d'article. Médaille d'or du concours régional ACM 2006. Diplômé de l'Université de l'Utah aux États-Unis avec un baccalauréat et une maîtrise. MBA à temps partiel de l'Université de commerce international et d'économie.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!