[論文レビュー] Fairness-Aware Recommendation of Information Curators

Ziwei Zhu, Jianling Wang+2 more|arXiv (Cornell University)|Sep 9, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 35被引用数 3

ひとこと要約

本稿は、ソーシャルメディアにおける情報キュレーターのパーソナライズド推薦のための公平性に配慮したテンソル因子分解フレームワークを提案する。ユーザー、キュレーター、トピックの相互作用を統合することで、推薦品質を維持したまま公平性を向上させる。この手法は、行列ベースのベースラインと比較して、異なるデモグラフィックグループにおけるキュレーターの露出バイアスを顕著に低減する。

ABSTRACT

This paper highlights our ongoing efforts to create effective information curator recommendation models that can be personalized for individual users, while maintaining important fairness properties. Concretely, we introduce the problem of information curator recommendation, provide a high-level overview of a fairness-aware recommender, and introduce some preliminary experimental evidence over a real-world Twitter dataset. We conclude with some thoughts on future directions.

研究の動機と目的

• 多様なトピックにわたり高品質なコンテンツをキュレートする情報キュレーターに対するパーソナライズドで公平な推薦に関する研究ギャップを埋める。
• 動的でスパースかつ多様性のあるソーシャルメディア環境におけるユーザーとキュレーターの相互作用の課題に取り組む。
• 性別、人種、政治的立場、その他の保護属性に関連するアルゴリズムバイアスを軽減することで、キュレーター推薦における公平性を確保する。
• ユーザー、キュレーター、トピックのマルチモーダルな関係をテンソル分解を用いてモデル化するスケーラブルで統合的なフレームワークを開発する。
• オンラインプラットフォームにおける信頼できる情報キュレーターへの透明性・説明責任・公平なアクセスの基盤を提供する。

提案手法

• ソーシャルメディアにおける複雑で多様な関係性を捉えるために、ユーザー－キュレーター－トピックの相互作用を3次元テンソルとしてモデル化する。
• テンソル因子分解（FT）を適用して、ユーザー、キュレーター、トピックの低ランク埋め込みを学習し、パーソナライズドな推薦を可能にする。
• 最適化プロセスに公平性制約を組み込み、デモグラフィックグループ間でのキュレーター露出の不平等を低減する。
• 行列ベースの手法（例：OMC、RMC）をテンソルベースの同等物（例：OTC、RTC）に拡張することで、多次元的相互作用のモデリングを改善する。
• 統計的平等性（statistical parity）を公平性指標として用い、キュレーター推薦結果におけるバイアスの評価と制約を実施する。
• 現実のTwitterデータを活用して、スパースかつ多様性のある条件下でのモデルの学習と評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 スパースかつ多様性のあるソーシャルメディア環境において、どのようにしてパーソナライズドな情報キュレーター推薦を効果的にモデル化できるか？
• RQ2 行列ベースのアプローチと比較して、テンソルベースの因子分解は、キュレーター推薦における公平性をどの程度向上できるか？
• RQ3 公平性に配慮した制約は、推薦品質を著しく低下させることなく、キュレーターの露出におけるデモグラフィックバイアスを低減できるか？
• RQ4 統計的平等性などの異なる公平性基準が、キュレーター推薦システムのパフォーマンスと公平性にどのように影響を与えるか？
• RQ5 パーソナライズドなキュレーター推薦において、推薦精度と公平性のトレードオフはどのようなものか？

主な発見

• テンソルベースの公平性に配慮した手法（FT）は、行列ベースのベースラインと比較して、デモグラフィックグループ間での露出バイアスを顕著に低減し、最も優れた公平性向上を達成した。
• FTは、FMとOMCの比較において、推薦品質を同等に保ちながら公平性で優れた性能を示した。これは、異種データに対してテンソルモデリングの利点が顕著であることを示している。
• 提案された公平性に配慮した手法（FTおよびFM）は、OTCおよびRTCよりも不平等の低減に効果的であり、特にスパースかつ複雑なユーザー－キュレーター－トピック相互作用の処理において顕著な優位性を示した。
• OTCほど推薦品質がわずかに低くても、特にFTにおいては公平性の向上が顕著であり、倫理的導入に向けたトレードオフが非常に有利であった。
• 実際のTwitterデータセットを用いた実証的結果から、テンソルベースのモデルが多次元的関係をよりよく捉え、よりバランスの取れたパーソナライズドなキュレーター推薦を実現することが確認された。
• 本研究は、テンソル因子分解に公平性制約を統合することが、ソーシャルメディアプラットフォームにおける信頼できる情報キュレーターへの公平なアクセスへの実現可能な道筋であることを示している。