[論文レビュー] Multi-stakeholder Recommendation and its Connection to Multi-sided Fairness

Himan Abdollahpouri, Robin Burke|arXiv (Cornell University)|Jul 30, 2019

Decision-Making and Behavioral Economics参考文献 19被引用数 30

ひとこと要約

本論文は、複数の利害関係者を対象としたレコメンデーションシステムの分類を提示し、3つの主要なクラスを特定する：複数受信者型、複数提供者型、および付帯利害関係者を伴うレコメンデーション。マルチステークホルダー型レコメンデーションとマルチサイドフェアネス（Cフェアネス（消費者）、Pフェアネス（提供者）、Sフェアネス（付帯利害関係者））を結びつけるフレームワークを構築し、競合する利害関係者の利益をバランスさせる統合的アルゴリズム設計の必要性を主張する。

ABSTRACT

There is growing research interest in recommendation as a multi-stakeholder problem, one where the interests of multiple parties should be taken into account. This category subsumes some existing well-established areas of recommendation research including reciprocal and group recommendation, but a detailed taxonomy of different classes of multi-stakeholder recommender systems is still lacking. Fairness-aware recommendation has also grown as a research area, but its close connection with multi-stakeholder recommendation is not always recognized. In this paper, we define the most commonly observed classes of multi-stakeholder recommender systems and discuss how different fairness concerns may come into play in such systems.

研究の動機と目的

• ユーザー中心のモデルを越えた、複数の利害関係者を対象としたレコメンデーションシステムの最も一般的なクラスを定義・分類すること。
• レコメンデーションプラットフォーム内での利害関係者グループ（ユーザー、アイテム提供者、付帯利害関係者）におけるフェアネスの懸念を特定・形式化すること。
• 複数の利害関係者を対象としたレコメンデーションと、フェアネスに配慮したレコメンデーションの間の概念的・方法論的橋渡しを確立すること。これらはしばしば別個の研究分野として扱われている。
• レコメンデーションの交換に直接関与しないが、その影響を受ける利害関係者（例：配達パートナー）に対して、Sフェアネスという新たなフェアネス次元を提案すること。
• 多様な利害関係者の目的とフェアネス基準を同時に満たす将来のアルゴリズム開発の基盤を築くこと。

提案手法

• 複数の利害関係者を対象としたレコメンデーションを3つの主要クラスに分類する：複数受信者型（例：グループレコメンデーション）、複数提供者型（例：Uber Eatsにおける複数のレストラン）、および付帯利害関係者を伴うシステム（例：配達パートナー）。
• 3段階のフェアネスフレームワークを提唱：Cフェアネス（消費者へのフェアネス）、Pフェアネス（アイテム提供者へのフェアネス）、Sフェアネス（レコメンデーションの交渉に直接関与しないが影響を受ける利害関係者へのフェアネス）。
• 実世界の例（例：Uber Eats、求人レコメンデーションプラットフォーム）を用いて、実際の場面で利害関係者の対立やフェアネスのトレードオフがどのように生じるかを説明する。
• グループ設定における長期的フェアネス（例：グループレコメンデーションにおける個々の好みの無視を防ぐ）を含む、既存のフェアネス定義を拡張する。
• ユーザー満足度とビジネス収益のバランスを取る価値に配慮したレコメンデーションは、複数の利害関係者を対象としたレコメンデーションのハイブリッド形式と見なせると主張する。
• 将来のシステムは、複数のフェアネスタイプ（例：CPフェアネス、Sフェアネス）を1つのレコメンデーションアルゴリズムに統合することで、複雑な利害関係者のダイナミクスに対処すべきだと提言する。

実験結果

リサーチクエスチョン

• RQ1 複数の利害関係者を対象としたレコメンデーションシステムの最も一般的に観察されるクラスは何か？ そして、それらは従来のユーザー中心のレコメンデーションシステムとどのように異なるか？
• RQ2 複数の利害関係者を対象としたレコメンデーションプラットフォームにおいて、フェアネスの懸念は消費者、提供者、および付帯利害関係者という異なる利害関係者グループでどのように現れるか？
• RQ3 Sフェアネスは複数の利害関係者を対象としたシステムにおいて果たす役割は何か？ また、CフェアネスやPフェアネスとはどのように異なるか？
• RQ4 グループレコメンデーションや相互レコメンデーションといった既存のレコメンデーション問題は、複数の利害関係者フレームワーク内でどのように位置づけられるか？
• RQ5 フェアネスに配慮したレコメンデーションは、バランスの取れた、倫理的な結果を得るために、どのように複数の利害関係者問題として再定式化できるか？

主な発見

• 複数の利害関係者を対象としたレコメンデーションは、グループレコメンデーションや相互レコメンデーションといった既存のレコメンデーションパラダイムを包含するが、統一された分類法が欠如している。
• レコメンデーションにおけるフェアネスは本質的にマルチサイドである：Cフェアネスは消費者の公平性を扱い、Pフェアネスは提供者の公平性を保証し、Sフェアネスは直接関与しないが影響を受ける利害関係者（例：配達員）への影響を考慮する。
• Uber Eatsプラットフォームは、複数提供者型、付帯利害関係者型、価値に配慮したレコメンデーションを組み合わせたハイブリッドシステムの例であり、現実の複数の利害関係者ダイナミクスの複雑さを示している。
• Sフェアネスは、配達員などの付帯利害関係者に対する作業負荷、通勤距離、割り当ての公平性といった点で、彼らを公正に扱うという倫理的義務を捉える、画期的なフェアネス次元である。
• 既存のフェアネス定義は、複数の利害関係者を対象としたシステムには不十分である。包括的なアプローチでは、CPフェアネス、Sフェアネスなどの複数のフェアネスタイプを同時に考慮する必要がある。
• フェアネスと複数の利害関係者設計の統合は、持続可能で倫理的なレコメンデーションシステムを実現するために不可欠であり、将来のアルゴリズム研究は、この統合を優先すべきである。