[論文レビュー] ProFairRec: Provider Fairness-aware News Recommendation

Tao Qi, Fangzhao Wu+6 more|arXiv (Cornell University)|Apr 10, 2022

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、少数派のニュース提供者に対する不平等を軽減するため、ニュースおよびユーザーのバイアスに依存しない表現を学習する、プロバイダー公平性に配慮したニュース推薦フレームワークであるProFairRecを提案する。プロバイダーバイアスを独立した公平およびバイアスあり表現に分解し、敵対的学習と直交正則化を適用することで、推薦精度を損なわず公平性を向上させる。公開ベンチマーク上で有効である。

ABSTRACT

News recommendation aims to help online news platform users find their preferred news articles. Existing news recommendation methods usually learn models from historical user behaviors on news. However, these behaviors are usually biased on news providers. Models trained on biased user data may capture and even amplify the biases on news providers, and are unfair for some minority news providers. In this paper, we propose a provider fairness-aware news recommendation framework (named ProFairRec), which can learn news recommendation models fair for different news providers from biased user data. The core idea of ProFairRec is to learn provider-fair news representations and provider-fair user representations to achieve provider fairness. To learn provider-fair representations from biased data, we employ provider-biased representations to inherit provider bias from data. Provider-fair and -biased news representations are learned from news content and provider IDs respectively, which are further aggregated to build fair and biased user representations based on user click history. All of these representations are used in model training while only fair representations are used for user-news matching to achieve fair news recommendation. Besides, we propose an adversarial learning task on news provider discrimination to prevent provider-fair news representation from encoding provider bias. We also propose an orthogonal regularization on provider-fair and -biased representations to better reduce provider bias in provider-fair representations. Moreover, ProFairRec is a general framework and can be applied to different news recommendation methods. Extensive experiments on a public dataset verify that our ProFairRec approach can effectively improve the provider fairness of many existing methods and meanwhile maintain their recommendation accuracy.

研究の動機と目的

• 偏ったユーザー行動データが原因で生じるニュース推薦におけるプロバイダー不公平を是正すること。
• 推薦精度を損なわず公平性を向上させる汎用フレームワークの開発。
• ニュース提供者バイアスに依存しないプロバイダー公平的表現を学習し、ユーザーおよびニュースの好みを保持すること。
• 表現の分離と敵対的正則化を通じて、少数派のニュース提供者に対する公平な露出を確保すること。
• 既存の推薦モデルとの統合を可能にし、多様なアーキテクチャにわたる公平性の向上を実現すること。

提案手法

• コンテンツおよびプロバイダーIDの入力を用いて、ニュース表現をプロバイダー公平的およびプロバイダーバイアスありのコンポーネントに分解する。
• ユーザークリック履歴を、公平およびバイアスありの両方の表現を用いて集約することで、プロバイダー公平的およびバイアスありのユーザー表現を学習する。
• 推論時に、公平性を保証するために、プロバイダー公平的表現のみをユーザーとニュースのマッチングに使用する。
• 敵対的学習を適用し、異なるプロバイダー間でプロバイダー公平的ニュース表現が区別不能になるようにすることで、バイアスのエンコードを低減する。
• 正則化により、プロバイダー公平的およびバイアスあり表現の間の直交性を強制することで、表現の分離を改善する。
• フレームワークを既存の推薦モデルにプラグインソリューションとして統合し、モデルに依存しない柔軟性を維持する。

実験結果

リサーチクエスチョン

• RQ1 汎用フレームワークは、推薦精度を低下させることなく、ニュース推薦におけるプロバイダー公平性を向上させることができるか？
• RQ2 表現の分離は、プロバイダーバイアスから独立した信号を分離するためにどの程度効果的か？
• RQ3 敵対的学習は、公平な表現におけるプロバイダーバイアスをどの程度低減するか？
• RQ4 直交正則化は、公平な表現におけるバイアス低減にどのように寄与するか？
• RQ5 敵対的損失重みを調整する際、公平性と推薦パフォーマンスの間にはどのようなトレードオフが生じるか？

主な発見

• ProFairRecは、MINDデータセット上で複数のSOTAニュース推薦モデルに対して、プロバイダー公平性を顕著に向上させた。
• アブレーションスタディにより、プロバイダーバイアスあり表現を除去すると公平性が損なわれることを確認し、分離にその役割が果たされていることが証明された。
• 敵対的学習により、公平な表現におけるプロバイダー情報が低減され、敵対的損失重みが高くなるほど性能が向上した。
• 直交正則化により、表現内でのバイアスと非バイアス信号の分離がより良く行われ、公平性が向上した。
• 公平性と精度の間にはトレードオフが存在する：敵対的損失重みを高く設定するほど公平性は向上するが、推薦パフォーマンスは低下する。
• ProFairRecは、顕著な公平性向上を達成しながらも高い推薦精度を維持しており、さまざまな推薦アーキテクチャにわたる一般化の有効性を示した。