中新經(jīng)緯3月24日電 (薛宇飛)近日，由中國人民大學(xué)高瓴人工智能學(xué)院、智能社會治理跨學(xué)科交叉平臺和基于大數(shù)據(jù)文科綜合訓(xùn)練國家級虛擬仿真實驗教學(xué)中心聯(lián)合主辦的算法公平性與內(nèi)容生態(tài)建設(shè)研討會在線上舉行。中國人民大學(xué)高瓴人工智能學(xué)院助理教授陳旭指出，不同性格的人對公平性的訴求是不一樣的，因此，在構(gòu)建機器學(xué)習(xí)模型或者推薦系統(tǒng)模型時，可以把人的性格因素考慮進來。

陳旭稱，算法公平性很重要的一個點在于，它是不是真正被人們感知到了。“人們在購物時是不是真的感受到了不公平？不同的人對公平性的需求是否一樣？不公平性是否給他帶來了困擾？討論這些問題的原因在于，有的人對公平性的需求沒有那么大，有的人卻很大。”

陳旭借助心理學(xué)上的一些概念，也初步證實不同性格的人，對公平性的訴求是不一樣的。由此，他構(gòu)想，在構(gòu)建機器學(xué)習(xí)模型或者推薦系統(tǒng)模型時，可以把人的性格因素考慮進來。對于公平性訴求沒有那么大的人，可以把公平性約束放得寬一些，這樣的話，可以讓推薦系統(tǒng)的性能得到更好提升，或者是對性能約束沒有那么大。

“我覺得對于公平性來講，尤其互聯(lián)網(wǎng)上的用戶這么多，不同用戶的人格、性格肯定不一樣，推薦算法中加入性格因素，會對公平性是一種比較好的度量。”他說。

他還稱，算法的公平性會受到敏感變量的影響。“在大多數(shù)研究中，都圍繞著一種敏感變量探因，比如說性別是男或女，是活躍用戶還是不活躍用戶。但當敏感變量變得很多的時候，公平性問題就變得很復(fù)雜。不同敏感變量之間，可能還存在著矛盾，或存在著一致性。在一個敏感變量上達到了公平，可能在另外一個敏感變量上就不公平，如何解決這種矛盾？”

陳旭舉例稱，某購物網(wǎng)站大多數(shù)用戶都是女性，這種情況下，如果我們對活躍用戶指標做公平性時，那它對性別這一敏感變量很有可能是不公平的，在構(gòu)建敏感變量圖時，不同敏感變量只有找到真正影響最終預(yù)測結(jié)果的那個公平的點時，才叫比較公平。因此，這是未來需要考慮得比較多的地方。

“當敏感變量從幾個變到幾十個，甚至變到幾百個的時候，問題就會更加凸顯，可能還會出現(xiàn)一些矛盾。比如，A和B的關(guān)系是一致的，A和C是不一致的，B和C又是一致的，這種情況下很難達到平衡，就需要做帕累托自由這方面的約束。”他分析稱。(中新經(jīng)緯APP)

關(guān)鍵詞： 陳旭不同個體對公平訴求有別 應(yīng)根據(jù)人的性格調(diào)整推薦