[論文レビュー] CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems

Mohammadmehdi Naghiaei, Hossein A. Rahmani+1 more|arXiv (Cornell University)|Apr 17, 2022

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、消費者と生産者の公平性を統合的に最適化することで、推薦システムにおける二面的マーケットプレイスのデータバイアスを軽減するモデルに依存しない再ランク付けフレームワーク、CPFairを提案する。8つのデータセットにおける実験では、推薦精度を損なわず、ユーザーおよびアイテムのグループ間の公平性格差を低減した。

ABSTRACT

Recently, there has been a rising awareness that when machine learning (ML) algorithms are used to automate choices, they may treat/affect individuals unfairly, with legal, ethical, or economic consequences. Recommender systems are prominent examples of such ML systems that assist users in making high-stakes judgments. A common trend in the previous literature research on fairness in recommender systems is that the majority of works treat user and item fairness concerns separately, ignoring the fact that recommender systems operate in a two-sided marketplace. In this work, we present an optimization-based re-ranking approach that seamlessly integrates fairness constraints from both the consumer and producer-side in a joint objective framework. We demonstrate through large-scale experiments on 8 datasets that our proposed method is capable of improving both consumer and producer fairness without reducing overall recommendation quality, demonstrating the role algorithms may play in minimizing data biases.

研究の動機と目的

• オンラインマーケットプレイスの二面的性質を無視する既存の公平性に配慮した推薦システムが、消費者と生産者の公平性を別々に扱うというギャップを是正すること。
• ユーザー（消費者）とアイテム（生産者）の両方の公平性を同時に向上させる統一された公平性最適化フレームワークを構築すること。
• 統合的な公平性最適化が、公平性格差を低減しつつ、全体の推薦品質および精度を維持または向上させることを評価すること。
• ユーザー関連性およびアイテム露出の公平性制約と、精度や新規性といったシステム全体のパフォーマンス指標との間のトレードオフを調査すること。
• 任意の事前学習済み推薦モデルに適用可能で、再トレーニングを必要としないモデルに依存しない再ランク付けソリューションを提供すること。

提案手法

• CPFairは、あらゆる事前学習済み推薦モデルの出力を公平性制約を満たすように変更する最適化に基づく再ランク付けアプローチを採用する。
• 本手法は、ユーザーのグループ関連性とアイテムのグループ露出の両方の公平性格差を最小化するための2つの正則化項を用いて、統合的最適化関数を定式化する。
• コアとなる最適化問題は、式3で定義されており、ハイパーパrameter λ₁ と λ₂ を用いて、推薦精度（nDCG@10）、ユーザーの公平性（ユーザー群の関連性）、アイテムの公平性（アイテム群の露出）をバランスさせる。
• 再ランク付けプロセスは、ユーザーの好みとアイテムの人気度に基づく公平性に配慮したスコアを用いて、アイテムの順序を調整し、代表が不十分なユーザーおよびアイテムのグループに均等な扱いを保証する。
• 本手法はモデルに依存しないため、協同フィルタリングやディープラーニングベースのあらゆる推薦モデルに対して、推論後処理として適用可能である。
• λ₁ と λ₂ のパラメータチューニングにより、公平性と精度のトレードオフを制御可能であり、アブレーションスタディでは λ₁ がユーザー公平性と全体の精度に影響し、λ₂ がアイテム露出および全体のシステムパフォーマンスに強く影響することが示された。

実験結果

リサーチクエスチョン

• RQ1 統一された公平性最適化フレームワークは、全体の推薦精度を低下させることなく、推薦システムにおける消費者および生産者の公平性を同時に改善できるか？
• RQ2 ユーザー関連性およびアイテム露出の公平性制約は、nDCG や新規性といったシステム全体のパフォーマンス指標とどのように相互作用し、どのようなトレードオフが生じるか？
• RQ3 片側の公平性（例：消費者のみ、または生産者のみ）に最適化すると、他のステークホルダー群に意図しない格差が生じるか？
• RQ4 ユーザー行動パターンやアイテム人気の偏りといった、異なるデータ特徴が公平性に配慮した再ランク付け手法のパフォーマンスにどのように影響するか？
• RQ5 公平性と精度の最適なバランスは何か？また、ハイパーパrameter λ₁ と λ₂ はこのトレードオフにどのように影響するか？

主な発見

• CPFairは、8つのデータセット全体でベースラインモデルと比較して、mCPF（マルチステークホルダー消費者および生産者公平性）指標を最大50％まで低減し、統合的公平性の顕著な向上を示した。
• Epinion および Gowalla データセットでは、それぞれ mCPF 値が 3.1784 および 5.2617 にまで低下し、すべてのベースラインおよび単一の公平性モデルを大きく下回った。
• CP-fairness モデルは、nDCG@10 において競争力ある全体の精度を維持しており、Gowalla および Epinion では PF を用いた CP-fairness が公平性と精度のバランスが最も優れていた。
• NeuMF および VAECF は高い精度を達成したが、特に長尾アイテムに対して公平性格差が拡大しており、精度と公平性のトレードオフを浮き彫りにした。
• アブレーションスタディでは、λ₁ が主にユーザー公平性および全体の精度に影響し、λ₂ がアイテム露出および公平性に強く影響することが判明した。特に λ₂ の値が高すぎると、長尾アイテムに対する相互作用信号が不足し、精度に悪影響を及えることが分かった。
• 結果から、単一の公平性最適化よりも統合的公平性最適化がより効果的であることが示された。単一の公平性アプローチは、データ特性に依存して異なるデータセットで一貫性がなく、性能が変動した。