摘要
近年来，图神经网络（Graph Neural Networks, GNNs）已成为提升推荐系统准确性与性能的热门工具。现代推荐系统不仅服务于终端用户，也旨在惠及其他参与方，如商品及商品提供者。这些参与方可能具有不同甚至相互冲突的目标与利益，因此亟需考虑公平性与热门性偏差问题。基于GNN的推荐方法同样面临不公平性与热门性偏差的挑战，其在归一化与聚合过程中尤为显著。为此，本文提出一种公平的GNN推荐系统——HetroFair，旨在提升商品侧的公平性。HetroFair采用两个独立组件生成具备公平性感知的嵌入表示：i）公平性感知注意力机制，通过在GNN归一化过程中引入点积操作，降低节点度数对结果的影响；ii）异质性特征加权机制，在聚合过程中为不同特征分配差异化权重。为验证HetroFair的有效性，我们在六个真实世界数据集上开展了大量实验。实验结果表明，HetroFair不仅有效缓解了商品侧的不公平性与热门性偏差，同时在用户侧也实现了更优的推荐精度。本文的代码实现已公开，可访问 https://github.com/NematGH/HetroFair 获取。