[論文レビュー] Improving Recommendation Fairness via Data Augmentation

Lei Chen, Wu Le+6 more|arXiv (Cornell University)|Feb 13, 2023

Recommender Systems and Techniques被引用数 6

ひとこと要約

本稿では、2つの仮説に基づいて合成されたユーザー・アイテム相互作用を生成することで、推薦の公平性を向上させるデータ拡張フレームワークであるFDAを提案する。すなわち、あるグループに属するユーザーは、別のグループに属するユーザーと類似したアイテムの好みを持つ。バイレベル最適化を用いて公平性の高いトレーニングデータを生成することで、事前に定義された公平性指標を必要とせず、実世界のデータセットにおいて複数の推薦モデルで優れた精度-公平性トレードオフを達成する。

ABSTRACT

Collaborative filtering based recommendation learns users' preferences from all users' historical behavior data, and has been popular to facilitate decision making. R Recently, the fairness issue of recommendation has become more and more essential. A recommender system is considered unfair when it does not perform equally well for different user groups according to users' sensitive attributes~(e.g., gender, race). Plenty of methods have been proposed to alleviate unfairness by optimizing a predefined fairness goal or changing the distribution of unbalanced training data. However, they either suffered from the specific fairness optimization metrics or relied on redesigning the current recommendation architecture. In this paper, we study how to improve recommendation fairness from the data augmentation perspective. The recommendation model amplifies the inherent unfairness of imbalanced training data. We augment imbalanced training data towards balanced data distribution to improve fairness. The proposed framework is generally applicable to any embedding-based recommendation, and does not need to pre-define a fairness metric. Extensive experiments on two real-world datasets clearly demonstrate the superiority of our proposed framework. We publish the source code at https://github.com/newlei/FDA.

研究の動機と目的

• 不均衡なトレーニングデータが原因で生じる協調フィルタリング推薦機の公平性格差を是正すること。
• 事前に定義された公平性指標やアーキテクチャの変更に依存せずに公平性を向上させること。
• データ拡張が推薦システムにおけるグループベースの公平性バイアスを効果的に軽減できるかどうかを検討すること。
• 任意の埋め込みベースの推薦モデルに適用可能な汎用フレームワークを開発すること。

提案手法

• 2つの仮説を提唱する：(1) あるグループのユーザーは、別のグループのユーザーと類似したクリック/非クリックの好みを持つ；(2) 同様に、非クリックの好みについても同様の関係が成り立つ。
• これらの仮説を用いて、感受性グループ間のトレーニングデータ分布をバランスさせるために、合成（偽）のユーザー・アイテム相互作用を生成する。
• バイレベル最適化を採用する：内側のループで改善された偽データを生成し、外側のループで拡張データ（実データ＋偽データ）を用いて推薦モデルをトレーニングする。
• モデルアーキテクチャを変更することなく、BPR や GCCF などの埋め込みベースの推薦モデルにこのフレームワークを適用可能である。
• Jensen-Shannonダイバージェンスを用いて公平性を測定し、トップK推薦におけるユーザーグループ間のアイテム分布の差を比較する。
• 明示的な公平性正則化や感受性属性の分離を必要としないため、モデルに依存せず、容易に導入可能である。

Figure 1. The overall architecture of the proposed FDA framework. By not changing the recommendation model, our key idea is to improve data balance between different user groups via data augmentation. For each real data $(u_{0},i,r)$ of user $u_{0}$ ( $u_{0}\in G_{0}$ ), item $i$ , and the implicit

実験結果

リサーチクエスチョン

• RQ1 推薦モデルを変更せずに、データ拡張が推薦システムにおける公平性格差を効果的に低減できるか？
• RQ2 提唱されたグループ間の好み類似性に関する仮説が、公平性の向上にどのように寄与するか？
• RQ3 バイレベル最適化フレームワークは、異なるモデルにおいて推薦精度と公平性のバランスをどの程度効果的に取れるか？
• RQ4 生成された偽相互作用の数が、公平性と精度のトレードオフにどの程度影響を与えるか？

主な発見

• FDAは、Jensen-Shannonダイバージェンスで測定した公平性格差を、MovieLens および LastFM の両データセットで顕著に低減した。
• LastFMでは、Top-20推薦におけるJSダイバージェンスがBPRの0.4842から0.3618に低下し、GCCFの0.4879から0.3721に低下し、強力な公平性の向上が確認された。
• LastFMにおける最適な偽データ比は、BPRでは0.3、GCCFでは0.4であり、公平性と精度のバランスを最適にとれた。
• アブレーションスタディにより、両仮説が独立してかつ共同で寄与することが確認され、完全なフレームワークが単一仮説バージョンを上回った。
• ベースモデル（BPR）が精度に劣っていても、FDAは推薦精度を維持またはわずかに向上させながら、顕著に公平性を向上させた。
• BPR や GCCF といった異なる推薦バックボーンに対して有効であるため、フレームワークの汎用性と頑健性が確認された。

Figure 2. Performance under different ratios on LastFM.