[論文レビュー] TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers

Yao Wu, Jian Cao+2 more|arXiv (Cornell University)|Apr 19, 2021

Recommender Systems and Techniques参考文献 24被引用数 10

ひとこと要約

TFROMは、オフラインおよびオンラインのシナリオにおいて、post-processingヒューリスティクスを用いて、顧客（レコメンデーション品質における個別公平性）とプロバイダー（アイテム露出におけるグループ公平性）の両方の公平性を同時に最適化する二面的公平性認識レコメンデーションモデルである。実世界のデータセット上で、ベースラインと比較してレコメンデーション品質の損失を最小限に抑えつつ、優れた二面的公平性を達成する。

ABSTRACT

At present, most research on the fairness of recommender systems is conducted either from the perspective of customers or from the perspective of product (or service) providers. However, such a practice ignores the fact that when fairness is guaranteed to one side, the fairness and rights of the other side are likely to reduce. In this paper, we consider recommendation scenarios from the perspective of two sides (customers and providers). From the perspective of providers, we consider the fairness of the providers' exposure in recommender system. For customers, we consider the fairness of the reduced quality of recommendation results due to the introduction of fairness measures. We theoretically analyzed the relationship between recommendation quality, customers fairness, and provider fairness, and design a two-sided fairness-aware recommendation model (TFROM) for both customers and providers. Specifically, we design two versions of TFROM for offline and online recommendation. The effectiveness of the model is verified on three real-world data sets. The experimental results show that TFROM provides better two-sided fairness while still maintaining a higher level of personalization than the baseline algorithms.

研究の動機と目的

• レコメンデーションシステムにおける顧客とプロバイダーの間の公平性の不均衡を是正すること。ここでは、片方の公平性を最適化すると、もう片方が損なわれることが多い。
• 複数のアイテムを提供するプロバイダーの公平性をモデル化し、そのアイテム群全体でグループレベルの公平性を確保すること。
• 顧客間の個別公平性を確保し、彼らのレコメンデーション品質における格差を最小限に抑えること。
• 既存のレコメンデーションシステムに容易に統合可能な、スケーラブルなpost-processingアプローチを設計すること。
• 二面的公平性が、レコメンデーション品質を著しく損なわずに達成可能であることを実証的に検証すること。

提案手法

• TFROMは、レコメンデーション品質、顧客公平性（NDCGの分散）、プロバイダー公平性（露出の分散および露出-関連性比）をバランスさせる多目的最適化問題を定式化する。
• 2つのバージョンを導入：バッチ処理用のTFROM-offlineとストリーミング顧客要求用のTFROM-online。
• プロバイダー公平性のために、上位にランク付けされたアイテムがより多くの注目を集めるという事実を反映する、位置に依存する露出メトリクスを採用。これに対して、先行研究では露出が一様であると仮定していた。
• 公平な露出を確保しながら関連性を維持するため、再ランク付けにヒューリスティクスpost-processingアルゴリズムを適用する。
• モデルは、耐性を評価するための2つの別個のプロバイダー公平性目的として、品質加重公平性と均一公平性を用いる。
• アルゴリズムは、任意の既存のレコメンデーションモデルと互換性があり、実世界のシステムへの容易な統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 レコメンデーションシステムは、パーソナライゼーションを損なわずに、顧客とプロバイダーの両方の公平性を同時に達成できるか？
• RQ2 プロバイダー公平性（特に、複数のアイテムを提供するプロバイダーの場合）を導入すると、顧客公平性およびレコメンデーション品質にどのような影響を与えるか？
• RQ3 オフラインおよびオンラインのレコメンデーション設定において、レコメンデーション品質、顧客公平性、プロバイダー露出公平性の間のトレードオフは何か？
• RQ4 位置に基づく露出効果は公平性メトリクスにどのように影響を与え、効果的にモデル化するにはどうすればよいか？
• RQ5 post-processingアプローチは、多様な実世界のデータセットにおいて、二面的公平性を効果的にバランスできるか？

主な発見

• TFROM-onlineは、Top-kと比較して全体のレコメンデーション品質の損失がわずかである一方で、ベースラインと比較して公平性とレコメンデーション品質のバランスが優れている。
• 顧客公平性（NDCGの分散で測定）は時間経過とともに安定し、他のアルゴリズムよりも良好な水準に達しており、長期的なレコメンデーションにおいて一貫した公平性を示している。
• TFROM-onlineは、特に品質加重公平性目的において、プロバイダー露出公平性を顕著に向上させ、Top-kや他のベースラインと比較して露出分散をより効果的に低減している。
• ILPベースの手法は、制限された解空間のため、最適化能力が限定的であることが示され、オンライン公平性においてはヒューリスティクスpost-processingがより効果的であることが示唆された。
• TFROM-online-Quality-Weightedは、プロバイダー間で最も一貫性があり、公平な露出分布を達成しており、均一公平性および非公平ベースラインを上回っている。
• Ctrip、Google、Amazonのデータセットにおける結果から、TFROMはオフラインおよびオンラインの両シナリオにおいて、高いパーソナライゼーションを維持しながら、優れた二面的公平性を実現していることが確認された。