陈旭：不同个体对公平诉求有别 应根据人的性格调整推荐算法模型

陈旭认为，不同个体对公平诉求存在差异，在构建推荐算法模型时应将人的性格因素纳入考量，根据性格调整模型对公平性的约束程度，以实现更合理的公平性度量。不同性格的人公平诉求不同陈旭指出，算法公平性的关键在于能否被人们切实感知。在购物等场景中，不同人对公平性的感受和需求存在明显差异。有些人对公平性需求较小，不太在意推荐结果是否完全公平；而有些人对公平性需求极大，不公平的推荐会给他们带来困扰。他借助心理学概念初步证实，不同性格的人对公平性诉求不同。例如，性格较为随和、大度的人可能对推荐结果中的一些小偏差不太敏感，更注重推荐内容是否符合自身兴趣；而性格严谨、追求公正的人则对推荐结果的公平性有较高要求，希望推荐系统能一视同仁，不出现任何偏向。构建模型应考虑性格因素基于不同性格的人公平诉求不同这一观点，陈旭构想在构建机器学习模型或推荐系统模型时，把人的性格因素考虑进来。对于公平性诉求较小的人，可以适当放宽公平性约束。这样做的好处是，能让推荐系统的性能得到更好提升，或者减少对性能的约束。例如，在一些个性化推荐场景中，对于不太在意公平性的用户，推荐系统可以更侧重于推荐热门、符合大众口味的商品，以提高推荐的点击率和转化率。他认为在互联网用户众多的情况下，不同用户的人格、性格差异很大，在推荐算法中加入性格因素，是对公平性一种比较好的度量方式。通过考虑性格因素，推荐系统可以更精准地满足不同用户的需求，提高用户对推荐结果的满意度。算法公平性受敏感变量影响陈旭提到，算法的公平性会受到敏感变量的影响。在大多数研究中，通常围绕一种敏感变量进行探因，如性别（男或女）、用户活跃度（活跃用户或不活跃用户）等。但当敏感变量增多时，公平性问题会变得复杂。不同敏感变量之间可能存在矛盾或一致性，在一个敏感变量上达到公平，可能在另一个敏感变量上就不公平。例如，某购物网站大多数用户是女性，当对活跃用户指标做公平性处理时，很有可能对性别这一敏感变量不公平。在构建敏感变量图时，只有找到真正影响最终预测结果的公平点，才能实现比较公平的推荐。多敏感变量下的公平性难题当敏感变量从几个增加到几十个甚至几百个时，问题会更加凸显，还可能出现矛盾情况。比如，敏感变量A和B关系一致，A和C不一致，B和C又一致，这种情况下很难达到平衡。陈旭分析，在这种情况下需要做帕累托自由方面的约束。帕累托自由是指在资源分配中，在不使任何人境况变坏的情况下，不可能再使某些人的处境变好。通过这种约束，可以在多个敏感变量之间寻找一种相对公平的平衡点，尽量减少因敏感变量之间的矛盾而导致的不公平现象。