[論文レビュー] FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning

Chuhan Wu, Fangzhao Wu+3 more|arXiv (Cornell University)|Jun 30, 2020

Recommender Systems and Techniques参考文献 32被引用数 19

ひとこと要約

本稿では、敵対的学習と直交性正則化を用いてユーザー埋め込みをバイアスに敏感な成分とバイアスに敏感でない成分に分解する、FairRecと呼ばれる公平性に配慮したニュース推薦フレームワークを提案する。バイアスに敏感でない埋め込みから感受性属性の情報を隔離・削除することで、ベンチマークデータセットにおいて性能の低下を最小限に抑えながら推薦の公平性を向上させる。

ABSTRACT

News recommendation is important for online news services. Existing news recommendation models are usually learned from users' news click behaviors. Usually the behaviors of users with the same sensitive attributes (e.g., genders) have similar patterns and news recommendation models can easily capture these patterns. It may lead to some biases related to sensitive user attributes in the recommendation results, e.g., always recommending sports news to male users, which is unfair since users may not receive diverse news information. In this paper, we propose a fairness-aware news recommendation approach with decomposed adversarial learning and orthogonality regularization, which can alleviate unfairness in news recommendation brought by the biases of sensitive user attributes. In our approach, we propose to decompose the user interest model into two components. One component aims to learn a bias-aware user embedding that captures the bias information on sensitive user attributes, and the other aims to learn a bias-free user embedding that only encodes attribute-independent user interest information for fairness-aware news recommendation. In addition, we propose to apply an attribute prediction task to the bias-aware user embedding to enhance its ability on bias modeling, and we apply adversarial learning to the bias-free user embedding to remove the bias information from it. Moreover, we propose an orthogonality regularization method to encourage the bias-free user embeddings to be orthogonal to the bias-aware one to better distinguish the bias-free user embedding from the bias-aware one. For fairness-aware news ranking, we only use the bias-free user embedding. Extensive experiments on benchmark dataset show that our approach can effectively improve fairness in news recommendation with minor performance loss.

研究の動機と目的

• 性別などの感受性属性に関連する偏ったユーザークリックパターンによって引き起こされるニュース推薦における公平性の問題を解消すること。
• バイアス関連の情報をユーザーの関心表現から分離する手法を開発し、より公平なニュースランク付けを可能にすること。
• 敵対的学習と直交性制約を用いて、バイアスに敏感でないユーザー埋め込みが感受性属性情報からしっかり分離されることを保証すること。
• 性別に固定された好みを超えた多様なニュースコンテンツをユーザーに提示することで、ユーザーエクスペリエンスを向上させること。

提案手法

• ユーザー関心モデルを二つの並列なコンポonentに分解する：一つはバイアスに敏感なユーザー埋め込みを学習するもの、もう一つはバイアスに敏感でないユーザー埋め込みを学習するもの。
• バイアスに敏感な埋め込みに対して感受性属性予測器を訓練し、ユーザー属性関連のバイアスをよりよく捉える能力を高める。
• バイアスに敏感でない埋め込みに対して敵対的学習を適用し、感受性属性に関する情報を最小限に抑えることで公平性を促進する。
• バイアスに敏感な埋め込みとバイアスに敏感でない埋め込みの直交性を強制する正則化項を導入し、分離性を向上させる。
• 最終的なニュースランク付けには、バイアスに敏感でないユーザー埋め込みのみを用いることで、推薦の公平性を保証する。
• 予測損失、属性予測損失、敵対的損失、直交性正則化項を組み合わせたマルチタスク損失を最適化して、全体のモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 ユーザー埋め込みをバイアスに敏感な成分とバイアスに敏感でない成分に分解することで、ニュース推薦における不平等を軽減できるか？
• RQ2 バイアスに敏感でないユーザー埋め込みから感受性属性情報を除去するために、敵対的学習はどの程度有効か？
• RQ3 直交性正則化は、バイアスに敏感でない埋め込みを感受性属性からどの程度うまく分離できるか？
• RQ4 λG、λD、λA のハイパーパrameter設定は、公平性と推薦性能の間でどの程度の妥協を実現できるか？

主な発見

• FairRecは、差別の的影響（Disparate Impact）や同等機会差（Equal Opportunity Difference）といった公平性指標で測定した結果、ニュース推薦の公平性を顕著に向上させた。
• バイアスに敏感な埋め込みにおける属性予測タスクにより、バイアスモデルの精度が向上し、λG = 0.5に設定した場合に特に良い公平性の改善が得られた。
• バイアスに敏感でない埋め込みに対する敵対的学習により、属性漏洩が低減され、λA = 0.5に設定した場合に最良の性能が得られた。
• 直交性正則化は、バイアスに敏感でない埋め込みをバイアスに敏感なものから効果的に分離し、性能の低下を伴わずに公平性を向上させた。
• モデルは、公平性と性能の間で良好なトレードオフを達成しており、ベースラインモデルと比較してランク付け精度（例：NDCG@10）の低下はわずかであった。
• 事例研究では、FairRecが、男性ユーザーにファッション関連のニュース、女性ユーザーにスポーツ関連のニュースを適切に推薦でき、性別バイアスに起因する推薦バイアスを低減していることが示された。