论文精读：通过提示词实现 LLM 推荐系统的公平性去偏

论文标题: Can Fairness Be Prompted? Prompt-Based Debiasing Strategies in High-Stakes Recommendations

作者: Theresia Veronika Rampisela 等

arXiv: https://arxiv.org/abs/2603.12935

发表时间: 2026年3月

研究背景

大语言模型（LLM）在推荐系统中的应用日益广泛，但一个潜在问题是：LLM 可能从间接线索（如姓名、代词）推断出敏感属性（如性别、年龄），从而在推荐中产生偏见。

现有的去偏方法通常需要：

• 访问 LLM 的权重参数
• 高昂的计算成本
• 专业知识

这使得普通用户难以使用这些技术。

核心问题

能否仅通过提示词（prompt）来实现推荐系统的公平性去偏？

研究贡献

本文提出了三种基于提示词的去偏策略：

1. 公平性指令提示 (Fairness Instruction Prompting)

直接在提示中加入公平性相关的指令，如：

"请确保你的推荐对所有用户群体都公平，不考虑性别、年龄等因素。"

2. 反事实示例提示 (Counterfactual Prompting)

通过构造反事实场景来消除敏感属性的影响。

3. 偏见感知系统提示 (Bias-Aware System Prompting)

在系统层面加入对潜在偏见的警示和约束。

实验设置

• 测试模型: 3 个不同的 LLM
• 提示模板: 4 种
• 敏感属性: 9 种（性别、年龄等）
• 数据集: 2 个真实推荐数据集

核心发现

✅ 有效性

• 基于提示的去偏方法最高可提升 74% 的公平性指标
• 同时保持了与基线相当的有效性（推荐准确率）

⚠️ 局限性

• 在某些情况下可能导致特定群体的过度推广（overpromotion）
• 提示的设计对效果影响很大，需要仔细调优

实践意义

对搜索/推荐工程师的启示

1. 轻量级解决方案

   • 无需修改模型权重或重新训练
   • 部署成本低，可快速实验

2. 高 stakes 场景适用

   • 金融、医疗、招聘等领域的推荐系统
   • 需要满足合规要求的场景
3. 提示工程的新维度
   • 除了追求准确性，还需考虑公平性
   • 建议将公平性测试纳入提示评估流程

局限与未来方向

• 研究主要关注群体公平性（group fairness）
• 个体公平性（individual fairness）的提示策略仍需探索
• 不同语言和文化背景下的适用性有待验证

原文链接

https://arxiv.org/abs/2603.12935

这篇论文为 LLM 推荐系统的公平性优化提供了一个实用且低成本的切入点，值得在工业落地中尝试。