reranking

Remoranização: justiça/personalização para recomendação e pesquisa

O reranking fornece algoritmos para reaparecer os itens classificados para qualquer distribuição de atributo de item especificado.

Este pacote pode ser usado como um modular pós-processamento de sistemas de recomendação ou mecanismos de pesquisa.

Inspirado no ranking de consciência da justiça em papel em sistemas de pesquisa e recomendação com aplicação na pesquisa de talentos do LinkedIn.

Conceito de uso

Justiça: impor a mesma distribuição a todos os usuários

Tomando "Recomendar candidatos aos recrutadores" como o exemplo (este é o caso do serviço de recrutador do LinkedIn estressado no artigo), os rankings de mecanismos de pesquisa são reformulados pela distribuição dos atributos protegidos, como paridade demográfica e paridade demográfica, em consideração da exibição justa dos candidatos aos recrutadores.

Personalização: impor as distribuições personalizadas a cada usuário

Por exemplo, quando recomendamos produtos aos usuários, a distribuição de preferências do produto para cada usuário (que pode ser obtida pelo log de compra ou log de visualização) pode ser usada para re-classificar os rankings de itens por sistemas de recomendação para obter uma recomendação mais personalizada.

Instalação

$ pip install reranking

Exemplos

Re-classificar

 import reranking
item_attribute = [ "a1" , "a1" , "a1" , "a2" , "a1" , "a1" , "a1" , "a2" , "a2" , "a1" ]
desired_distribution = { "a1" : 0.5 , "a2" : 0.5 }
rerank_indices = reranking . rerank (
    item_attribute ,  # attributes of the ranked items
    desired_distribution ,  # desired item distribution
    max_na = None ,  # controls the max number of attribute categories applied
    k_max = None ,  # length of output, if None, k_max is the length of `item_attribute`
    algorithm = "det_greedy" ,  # "det_greedy", "det_cons", "det_relaxed", "det_const_sort"
    verbose = False ,  # if True, the output is with detailed information
)
print ( rerank_indices )

Os rerank_indices são [0, 3, 1, 7, 2, 8, 4, 5, 6, 9] que é a lista de índices de itens após a renúncia pela distribuição desejada. Os principais itens da lista novamente classificada terão a mesma distribuição que a distribuição desejada, se houver itens desejados o suficiente. ( item_attribute tem o mesmo pedido da lista de itens para que ele contém informações de classificação/pontuação.)

Avaliar

 # Evaluate the before&after of the re-ranking result above
item_attribute_reranked = [ item_attribute [ i ] for i in rerank_indices ]
before = reranking . ndkl ( item_attribute , desired_distribution )
after = reranking . ndkl ( item_attribute_reranked , desired_distribution )
print ( f" { before :.3f } , { after :.3f } " )

O before e after são 0.412 e 0.172 respectivamente, que são a dinergência cumulativa de KL (NDKL) com desconto normalizado da distribuição de atributos classificados e a distribuição desejada. (Mais baixo é melhor.)

Mais exemplos podem ser encontrados aqui.