[論文レビュー] Transferable Fairness for Cold-Start Recommendation

Yunqi Li, Dingxian Wang+2 more|arXiv (Cornell University)|Jan 25, 2023

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、暖かいユーザー（ソースドメイン）から寒いスタートユーザー（ターゲットドメイン）へ、反事実的公平性とレコメンデーション性能を転送するための転移学習フレームワーク、TFRを提案する。敵対的学習を統合することで、ユーザー埋め込みから感受性のある属性を分離し、ターゲットユーザーの相互作用データを必要とせずに、寒いスタートユーザーにおいて高い公平性と改善されたレコメンデーション精度を達成する。

ABSTRACT

With the increasing use and impact of recommender systems in our daily lives, how to achieve fairness in recommendation has become an important problem. Previous works on fairness-aware recommendation mainly focus on a predefined set of (usually warm-start) users. However, recommender systems often face more challenging fairness issues for new users or cold-start users due to their insufficient amount of interactions. Therefore, it is essential to study whether the trained model still performs fairly for a new set of cold-start users. This paper considers the scenario where the recommender system meets new users who only have limited or even no interaction with the platform, and aims at providing high-quality and fair recommendations to such users effectively. The sufficient interaction data from warm users is treated as the source user domain, while the data from new users is treated as the target user domain, and we consider to transfer the counterfactual fairness from the source users to the target users. To this end, we introduce a framework to achieve transferable counterfactual fairness in recommendation. The proposed method is able to transfer the knowledge of a fair model learned from the source users to the target users with the hope of improving the recommendation performance and keeping the fairness property on the target users. Experiments on two real-world datasets with representative recommendation algorithms show that our method not only promotes fairness for the target users, but also outperforms comparative models in terms of recommendation performance.

研究の動機と目的

• 相互作用データが十分にない寒いスタートユーザーに対する公平性に配慮したレコメンデーションのギャップを埋める。
• 暖かいユーザー（ソースドメイン）から寒いスタートユーザー（ターゲットドメイン）へ、具体的には反事実的公平性という公平性特性を転送する。
• 知識転送を通じて、寒いスタートユーザーのレコメンデーションパフォーマンスを高い水準に維持しながら、公平性を確保する。
• ターゲットユーザーの相互作用データを必要としない手法を開発し、公平性と有用性の非教師あり転送を可能にする。

提案手法

• 豊富な相互作用データを持つ暖かいユーザーのソースドメインを用いて、反事実的に公平なレコメンデーションモデルを学習する。
• 敵対的学習を統合し、ユーザー表現が感受性のある属性（例：性別）に依存しないようにすることで、反事実的公平性を確保する。
• レコメンデーションモデルと敵対モデルを同時に学習させ、推薦の有用性を保持したまま、ユーザー埋め込みから感受性のある特徴を分離する。
• ターゲットユーザーのデータで微調整を行わず、ドメイン適応を介してソースからターゲットユーザーへ公平なモデルを転送する（非教師あり設定）。
• 教師あり設定では、限られたターゲットユーザーの相互作用を組み込んで、レコメンデーションパフォーマンスをさらに向上させつつ、公平性を維持する。
• 敵対モデルを用いて公平性を評価し、ユーザー埋め込みから感受性のある属性を予測する能力（AUC）を測定する；低いAUCは高い公平性を示す。

実験結果

リサーチクエスチョン

• RQ1 ターゲットユーザーの相互作用データにアクセスできない状況でも、暖かいユーザーから学習した反事実的公平性を、寒いスタートユーザーへ効果的に転送できるか？
• RQ2 ソースドメインからターゲットユーザーへ公平性の知識を転送することで、寒いスタートユーザーのレコメンデーションパフォーマンスが向上するか？
• RQ3 非教師ありおよび教師ありの両設定において、提案手法はベースラインと比較して、公平性とレコメンデーション精度の両面で優れているか？
• RQ4 ユーザー埋め込みから感受性のある属性を敵対的に分離することで、寒いスタートシナリオにおける反事実的公平性がどの程度保証されるか？

主な発見

• TFRは、感受性のある属性の予測に対する敵対的攻撃でAUCスコアが約0.5を記録しており、ユーザー埋め込みが感受性のある特徴とほぼ独立していることを示しており、反事実的公平性が確保されていることを裏付けている。
• 非教師あり設定では、ターゲットデータのみで学習したほとんどのベースラインや、ソースデータでのみ学習したベースラインを上回り、レコメンデーションパフォーマンスの効果的な転送を示している。
• 教師あり設定では、すべての評価指標で、ソースとターゲットデータを併用して学習したベースラインをも上回り、性能と公平性の両面で優位性を確認した。
• 低AUCの敵対分類結果から示されるように、TFRは高いレコメンデーション品質（AUCなど指標で測定）を維持しながら、強い公平性を達成している。
• ターゲットユーザーの相互作用データを使用していないにもかかわらず、TFRは完全なデータベースラインと同等のレコメンデーションパフォーマンスを達成しており、非教師あり転送の有効性を証明している。
• 教師ありバージョンのTFRは、非教師ありバージョンよりも高い公平性とパフォーマンスを達成しており、利用可能な限られたターゲットデータを組み込む利点を示している。