由上圖可知問題：
由于時(shí)尚新聞可能被更多的女性用戶點(diǎn)擊，而 NBA 新聞可能被更多的男性用戶偏好，所以模型可能傾向于只向女性用戶推薦時(shí)尚新聞，向男性用戶推薦 NBA 新聞。
在這種場(chǎng)景下， 推薦結(jié)果受到敏感用戶屬性帶來(lái)的偏見的嚴(yán)重影響，對(duì)時(shí)尚和 NBA 都感興趣的用戶無(wú)法像其他用戶一樣獲得足夠的感興趣的新聞信息，這是不公平的，可能會(huì)損害用戶體驗(yàn)。

解決方法：本文提出了一種基于分解的對(duì)抗學(xué)習(xí)和正交正則化的公平新聞推薦方法，可以緩解敏感用戶屬性偏差帶來(lái)的新聞推薦不公平。

對(duì)于模型訓(xùn)練:學(xué)習(xí)一種感知偏差的用戶嵌入，它從點(diǎn)擊行為中獲取用戶屬性的偏差信息，并學(xué)習(xí)一種無(wú)偏差的用戶嵌入，它只編碼與屬性無(wú)關(guān)的用戶興趣信息，用于感知公平的新聞推薦。此外，我們還提出將屬性預(yù)測(cè)任務(wù)應(yīng)用于感知偏差的用戶嵌入，以增強(qiáng)其對(duì)偏差建模的能力，并將對(duì)抗性學(xué)習(xí) 應(yīng)用于無(wú)偏差的用戶嵌入，以去除其中的偏差信息。此外，還提出了一種正交正則化方法來(lái)鼓勵(lì)無(wú)偏差的用戶嵌入與有偏差的用戶嵌入正交，以進(jìn)一步凈化有偏差的用戶嵌入。

功能：為用戶的每個(gè)候選新聞?dòng)?jì)算一個(gè)公平感知的新聞排名分?jǐn)?shù)，進(jìn)一步用于為她生成公平感知的新聞推薦結(jié)果。

具體來(lái)說(shuō)，我們的 FAN 框架使用新聞模型來(lái)學(xué)習(xí)候選新聞的嵌入，使用用戶模型來(lái)學(xué)習(xí)用戶的無(wú)偏差嵌入，最小化包含關(guān)于敏感用戶屬性的偏差信息，以及使用點(diǎn)擊評(píng)分模型來(lái)計(jì)算基于無(wú)偏差用戶嵌入和候選新聞嵌入的公平感知新聞排名分?jǐn)?shù)。

模型運(yùn)行框架流程圖：

首先獲取互動(dòng)（點(diǎn)擊）信息，互動(dòng)（點(diǎn)擊）信息經(jīng)過(guò)用戶模型后

分別是無(wú)偏好表征層嵌入，有偏好表征層嵌入，隨后根據(jù)正交正則化處理，隨后統(tǒng)一用戶表征層嵌入同候選信息處理后的表征嵌入信息匯總，進(jìn)行互動(dòng)（點(diǎn)擊）評(píng)分訓(xùn)練，最后由信息推薦損失函數(shù)得出。

無(wú)偏好信息要進(jìn)行屬性鑒別從而進(jìn)行對(duì)抗生成，正則化。

有偏好信息要進(jìn)行屬性預(yù)測(cè)。