摘要： 
本篇博客我们介绍论文《Learning Fair Representations for Recommendation: A Graph-based Perspective》，在博客中我们将论文的结构和核心思想进行了详细地梳理，并讲解该论文的Pytorch框架实现代码。该论文有几个要点，其中包括使用生成对抗网络(GAN)训练的滤波器对原始的用户－物品embeddings向量进行转换，以除去用户的敏感信息(该论文假定原始嵌入算法不可修改，只能在已经生成的embeddings向量上做转换)。在论文的实验部分，我们分数据集描述、模型评估策略、超参数调整、测试结果记录四个部分来展开叙述。MovieLens-1M 是一个推荐系统的基准数据集，这个数据集包括6040个用户对于近4000部电影的近1百万条评分信息。用户具有三个类别型属性，包括性别(2种类别)，年龄(7种类别)和职位(21个类别)。 阅读全文
本篇博客我们介绍论文《Learning Fair Representations for Recommendation: A Graph-based Perspective》，在博客中我们将论文的结构和核心思想进行了详细地梳理，并讲解该论文的Pytorch框架实现代码。该论文有几个要点，其中包括使用生成对抗网络(GAN)训练的滤波器对原始的用户－物品embeddings向量进行转换，以除去用户的敏感信息(该论文假定原始嵌入算法不可修改，只能在已经生成的embeddings向量上做转换)。在论文的实验部分，我们分数据集描述、模型评估策略、超参数调整、测试结果记录四个部分来展开叙述。MovieLens-1M 是一个推荐系统的基准数据集，这个数据集包括6040个用户对于近4000部电影的近1百万条评分信息。用户具有三个类别型属性，包括性别(2种类别)，年龄(7种类别)和职位(21个类别)。 阅读全文