由上图可知问题：
由于时尚新闻可能被更多的女性用户点击，而 NBA 新闻可能被更多的男性用户偏好，所以模型可能倾向于只向女性用户推荐时尚新闻，向男性用户推荐 NBA 新闻。
在这种场景下， 推荐结果受到敏感用户属性带来的偏见的严重影响，对时尚和 NBA 都感兴趣的用户无法像其他用户一样获得足够的感兴趣的新闻信息，这是不公平的，可能会损害用户体验。
解决方法：本文提出了一种基于分解的对抗学习和正交正则化的公平新闻推荐方法，可以缓解敏感用户属性偏差带来的新闻推荐不公平。
对于模型训练:学习一种感知偏差的用户嵌入，它从点击行为中获取用户属性的偏差信息，并学习一种无偏差的用户嵌入，它只编码与属性无关的用户兴趣信息，用于感知公平的新闻推荐。此外，我们还提出将属性预测任务应用于感知偏差的用户嵌入，以增强其对偏差建模的能力，并将对抗性学习 应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，还提出了一种正交正则化方法来鼓励无偏差的用户嵌入与有偏差的用户嵌入正交，以进一步净化有偏差的用户嵌入。
功能：为用户的每个候选新闻计算一个公平感知的新闻排名分数，进一步用于为她生成公平感知的新闻推荐结果。
具体来说，我们的 FAN 框架使用新闻模型来学习候选新闻的嵌入，使用用户模型来学习用户的无偏差嵌入，最小化包含关于敏感用户属性的偏差信息，以及使用点击评分模型来计算基于无偏差用户嵌入和候选新闻嵌入的公平感知新闻排名分数。
模型运行框架流程图：
首先获取互动（点击）信息，互动（点击）信息经过用户模型后
分别是无偏好表征层嵌入，有偏好表征层嵌入，随后根据正交正则化处理，随后统一用户表征层嵌入同候选信息处理后的表征嵌入信息汇总，进行互动（点击）评分训练，最后由信息推荐损失函数得出。
无偏好信息要进行属性鉴别从而进行对抗生成，正则化。
有偏好信息要进行属性预测。
