通过内核化投影和门控适配器实现基于 LLM 的推荐的轻量级公平性

大语言模型 (LLM) 为推荐系统引入了新功能，支持动态、上下文感知和对话式推荐。然而，基于 LLM 的推荐系统继承并可能放大 预训练 数据中嵌入的社会偏见，特别是当存在人口统计线索时。现有的公平性解决方案要么需要额外的参数微调，要么遭受优化不稳定的困扰。我们提出了一种轻量级且可扩展的偏差缓解方法，该方法将内核化迭代零空间投影（INLP）与门控专家混合（MoE）适配器相结合。我们的方法估计一个封闭式投影，从 LLM 表示中删除单个或多个敏感属性，无需额外的可训练参数。为了保留任务效用，我们引入了一个两级 MoE 适配器，它可以选择性地恢复有用信号，而不会重新引入偏差。对两个公共数据集的实验表明，我们的方法减少了多个受保护变量的属性泄漏，同时保持了有竞争力的推荐准确性。