[論文レビュー] Personalizing Fairness-aware Re-ranking

Weiwen Liu, Robin Burke|arXiv (Cornell University)|Sep 9, 2018

Recommender Systems and Techniques参考文献 17被引用数 39

ひとこと要約

この論文は、多ステーカーホルダー推薦システムにおける推薦精度とプロバイダー側の公平性（P-fairness）のバランスを、ユーザーの多様性に対する個人差を反映した耐性度を組み込むことで、公平性に配慮した再順序付けアルゴリズム（FAR）を提案する。この手法は、関連性とプロバイダーカバレッジの間で重み付けされたトレードオフに基づき反復的にアイテムを再順序付けし、精度の損失を最小限に抑えつつ顕著な公平性の向上を達成する。また、ユーザーの多様性好みに適応可能である。

ABSTRACT

Personalized recommendation brings about novel challenges in ensuring fairness, especially in scenarios in which users are not the only stakeholders involved in the recommender system. For example, the system may want to ensure that items from different providers have a fair chance of being recommended. To solve this problem, we propose a Fairness-Aware Re-ranking algorithm (FAR) to balance the ranking quality and provider-side fairness. We iteratively generate the ranking list by trading off between accuracy and the coverage of the providers. Although fair treatment of providers is desirable, users may differ in their receptivity to the addition of this type of diversity. Therefore, personalized user tolerance towards provider diversification is incorporated. Experiments are conducted on both synthetic and real-world data. The results show that our proposed re-ranking algorithm can significantly promote fairness with a slight sacrifice in accuracy and can do so while being attentive to individual user differences.

研究の動機と目的

• ユーザーとプロバイダーが主要なステーカーホルダーである多ステーカーホルダー推薦システム（MRSs）における公平性を扱うこと。
• プロバイダー側の公平性（P-fairness）を定義し、すべてのプロバイダーのアイテムが均等な露出機会を得ることを保証すること。
• リストの多様性に対する個人差を反映した、多様性耐性の個人差を組み込むこと。
• 下位の推薦モデルに依存しないPost-processing再順序付けアルゴリズムを設計し、あらゆるシステムに適用可能であること。
• ユーザーのパーソナライゼーションを維持しながら、順序付け精度と公平性のトレードオフを評価すること。

提案手法

• アルゴリズムは、関連性と新規性のバランスを取るための確率的モデルであるxQuADに基づく再順序付けフレームワークを用い、プロバイダーカバレッジを追加して拡張している。
• ユーザー固有の重み係数を導入し、公平性の組み込み度合いを個人に合わせてパーソナライズし、多様性に対する個人の耐性を反映している。
• アイテムの関連性とプロバイダーのカバレッジのバランスを最適化問題として定式化し、トレードオフパラメータがバランスを制御する。
• プロバイダーカバレッジは、上位K件の順序付け済みリストに含まれる異なるプロバイダーの数として測定され、プロバイダー間の多様性を最大化することを目的としている。
• アルゴリズムは、あらゆる既存の推薦モデルの上位でPost-processingとして動作し、元の出力を保持しながら公平性を向上させる。
• ユーザーが非最適で多様なアイテムを提示するのをどの程度受け入れるかに応じて、動的に公平性重みをユーザーごとに調整する。

実験結果

リサーチクエスチョン

• RQ1 多ステーカーホルダー推薦システムにおいて、プロバイダー側の公平性（P-fairness）を推薦精度と効果的にバランスさせることは可能か？
• RQ2 多様性に対するユーザーの個人差を反映した耐性度を組み込むことで、精度の著しい低下を伴わずに公平性を向上させることは可能か？
• RQ3 Post-processingによる再順序付けアプローチは、下位の推薦アルゴリズムに依存せず、プロバイダー間の公平性を効果的に向上させることができるか？
• RQ4 ユーザー固有の多様性耐性の統合は、公平性と精度のトレードオフにどのように影響を与えるか？
• RQ5 関連性とプロバイダーカバレッジの間のトレードオフパラメータを変化させた場合、全体のシステムパフォーマンスにどのような影響を与えるか？

主な発見

• 提案されたFARアルゴリズムは、合成データおよび実世界データの両方で検証された結果、推薦精度のわずかな犠牲でプロバイダー側の公平性を顕著に向上させた。
• 個人の多様性耐性を組み込むことで、ユーザーの好みにより適した結果が得られ、耐性度が高いユーザーはより多様な結果を受け取った。
• 精度の高い推薦を優先することで、アルゴリズムは高い関連性を維持しながら、代表されていないプロバイダーの露出を体系的に増加させた。
• 実験の結果、再順序付けプロセスが上位K件のリストに含まれる異なるプロバイダーの数を効果的に増加させ、すべてのプロバイダーに公平性が向上した。
• 異なるデータ分布に対しても頑健であることが示され、下位の推薦モデルが公平性に配慮していない場合でも有効であることが確認された。
• 結果から、ユーザーの多様性耐性をパーソナライズすることで、ユーザー満足度を損なわずに公平性を向上させられることを確認した。