[論文レビュー] Multi-FR: A Multi-Objective Optimization Method for Achieving Two-sided Fairness in E-commerce Recommendation.

Haolun Wu, Chen Ma+3 more|arXiv (Cornell University)|May 6, 2021

Recommender Systems and Techniques参考文献 59被引用数 7

ひとこと要約

本稿では、eコマース推薦システムにおける消費者および生産者の両方の公平性をバランスさせる、マルチオブジェクティブ最適化フレームワークであるMulti-FRを提案する。マルチ勾配降下を活用してパレート集合を生成し、4つの公平性制約を適用することで、推薦品質の最小限の犠牲で両側の公平性を向上させ、実世界のデータセットにおいて最先端の公平なランク付け手法を上回る性能を発揮する。

ABSTRACT

Two-sided marketplaces are an important component of many existing Internet services like Airbnb and Amazon, which have both consumers (e.g. users) and producers (e.g. retailers). Traditionally, the recommendation system in these platforms mainly focuses on maximizing customer satisfaction by recommending the most relevant items based on the learned user preference. However, it has been shown in previous works that solely optimizing the satisfaction of customers may lead to unfair exposure of items, which jeopardizes the benefits of producers. To tackle this problem, we propose a fairness-aware recommendation framework by using multi-objective optimization, Multi-FR, to adaptively balance the objectives between consumers and producers. In particular, Multi-FR adopts the multi-gradient descent to generate a Pareto set of solutions, where the most appropriate one is selected from the Pareto set. In addition, four fairness metrics/constraints are applied to make the recommendation results on both the consumer and producer side fair. We extensively evaluate our model on three real-world datasets, comparing with grid-search methods and using a variety of performance metrics. The experimental results demonstrate that Multi-FR can improve the recommendation fairness on both the consumer and producer side with little drop in recommendation quality, also outperforming several state-of-the-art fair ranking approaches.

研究の動機と目的

• 伝統的な推薦システムがユーザー満足度のみを優先するあまり、アイテムの露出に偏りが生じる問題に対処すること。
• ユーザーの推薦品質を損なわせることなく、生産者（例：小売業者）のアイテムに対する公平な露出を確保すること。
• 二面市場において、消費者および生産者の両方の公平性を同時に最適化する統合フレームワークの構築。
• 実世界のeコマースデータセットと複数の性能指標を用いて、公平性に配慮した最適化の有効性を評価すること。

提案手法

• Multi-FRは、ユーザー満足度および消費者・生産者の両方の公平性をバランスさせる複数の目的を満たすパレート集合を生成するためにマルチ勾配降下を採用する。
• 4つの公平性指標または制約を最適化プロセスに統合し、生産者間でのアイテム露出のバランスを確保する。
• 公平性と推薦品質のトレードオフに基づいて、パレート集合から最も適切な解決策を選択する。
• 3つの実世界のeコマースデータセットを用いて、グリッドサーチベースラインおよび最先端の公平なランク付けアプローチと比較して評価する。
• 最適化プロセスは、推薦精度を維持しつつ、マーケットプレイス両側の公平性を向上させることを目的として設計されている。
• モデルはユーザーの好みの正確性と公平性の間のトレードオフに動的に適応でき、実世界のプラットフォームへの柔軟な展開を可能にする。

実験結果

リサーチクエスチョン

• RQ1 マルチオブジェクティブ最適化フレームワークは、eコマース推薦システムにおいて、消費者および生産者の両方の公平性を効果的にバランスさせることができるか？
• RQ2 Multi-FRは、グリッドサーチ手法および既存の公平なランク付けアプローチと比較して、公平性および推薦品質の面でどのように異なるか？
• RQ3 推薦性能を著しく低下させることなく、消費者および生産者の両側での公平性をどの程度まで向上させることができるか？
• RQ4 4つの異なる公平性制約を適用することで、全体の推薦公平性およびシステム性能にどのような影響が生じるか？

主な発見

• Multi-FRは、ベースライン手法と比較して、消費者および生産者の両方の公平性を顕著に向上させ、推薦品質の低下は最小限に抑えられる。
• フレームワークは、マーケットプレイス両側の公平性をバランスさせる点で、複数の最先端の公平なランク付けアプローチを上回る。
• マルチ勾配降下による生成されたパレート集合により、公平性と推薦精度の間のトレードオフを効果的に管理できる。
• 4つの公平性指標の統合により、よりバランスの取れたアイテム露出が実現され、人気の低いアイテムの露出不足リスクが低減される。
• 3つの実世界のデータセットを用いた実験結果から、Multi-FRが高水準の推薦品質を維持しながら、両側の公平性を向上させることを確認した。
• 多様なeコマース環境においても、顕著な公平性の向上を示し、顕著なハイパーパrameterチューニングを必要としない堅牢性を示した。