[논문 리뷰] A Fairness-aware Hybrid Recommender System

Golnoosh Farnadi, Pigi Kouki외 3명|arXiv (Cornell University)|2018. 09. 13.

Recommender Systems and Techniques참고 문헌 23인용 수 25

한 줄 요약

이 논문은 관찰 편향과 데이터 불균형을 완화하기 위해 확률적 소프트 논리(PSL)를 사용하여 사용자-사용자 및 아이템-아이템 유사도, 콘텐츠 및 인구통계 데이터를 통합하는 공정성 인지 하이브리드 추천 시스템을 제안한다. 상태기반 공정한 행렬 분해 방법과 비교해 우수한 정확도와 공정성을 달성하며, 특히 균형 불공정성과 가치 불공정성을 줄이는 데 효과적이다. 공정성 제약 조건을 적용할 경우 성능 저하가 미미하다.

ABSTRACT

Recommender systems are used in variety of domains affecting people's lives. This has raised concerns about possible biases and discrimination that such systems might exacerbate. There are two primary kinds of biases inherent in recommender systems: observation bias and bias stemming from imbalanced data. Observation bias exists due to a feedback loop which causes the model to learn to only predict recommendations similar to previous ones. Imbalance in data occurs when systematic societal, historical, or other ambient bias is present in the data. In this paper, we address both biases by proposing a hybrid fairness-aware recommender system. Our model provides efficient and accurate recommendations by incorporating multiple user-user and item-item similarity measures, content, and demographic information, while addressing recommendation biases. We implement our model using a powerful and expressive probabilistic programming language called probabilistic soft logic. We experimentally evaluate our approach on a popular movie recommendation dataset, showing that our proposed model can provide more accurate and fairer recommendations, compared to a state-of-the art fair recommender system.

연구 동기 및 목표

• 추천 시스템에서 발생하는 두 가지 주요 편향 원인인 피드백 루프에서 비롯되는 관찰 편향과 사회적 또는 역사적 편향에서 비롯되는 데이터 불균형을 해결하기 위해.
• 확률적 소프트 논리(PSL)를 사용하여 공정성 인지 추천을 위한 통합적이고 확장 가능하며 선언적인 프레임워크를 개발하기 위해.
• 하이브리드 추천 환경에서 성별 기반 그룹과 같은 보호 그룹에 대해 공정한 대우를 보장하면서 추천 정확도를 향상시키기 위해.
• 여러 공정성 지표를 기반으로 모델 성능을 실증적으로 평가하고, 최신 공정한 행렬 분해 접근법과 비교하기 위해.

제안 방법

• 시스템은 사용자 인구통계, 아이템 콘텐츠 및 다중 유사도 측정법(사용자-사용자, 아이템-아이템)을 통합하여 HyPER 하이브리드 추천 프레임워크를 확장한다.
• 복잡한 관계적 종속성과 사용자-아이템 상호작용의 불확실성을 모델링하기 위해 확률적 프로그래밍 언어인 확률적 소프트 논리(PSL)를 사용한다.
• 공정성은 최대 사후확률(MAP) 추론 알고리즘을 사용한 하드 공정성 제약 조건을 통합한 제약 기반 접근 방식으로 강제한다.
• 모델은 추천 정확도(예: RMSE 및 MAE로 측정)와 공정성(균형, 가치, 비대칭 불공정성 지표로 측정)을 동시에 최적화한다.
• 보호 그룹(예: 여성)의 예측 평점이 비보호 그룹과 균형을 이루도록 하여 과소 또는 과대 평가를 최소화하기 위해 공정성 규칙을 적용한다.
• 모델은 MovieLens 데이터셋을 대상으로 평가되며, 비공정성 및 공정한 행렬 분해 기반 베이스라인과 비교된다.

실험 결과

연구 질문

• RQ1 통합 하이브리드 추천 시스템은 추천 시스템에서 관찰 편향과 데이터 불균형 편향을 효과적으로 줄일 수 있는가?
• RQ2 PSL 기반 모델에 공정성 제약 조건을 통합할 경우, 전통적인 행렬 분해 방법과 비교해 추천 정확도 및 공정성 지표에 어떤 영향을 미치는가?
• RQ3 확률적 소프트 논리 프레임워크는 하이브리드 추천 시스템에서 확장 가능하고 선언적인 공정성 강제를 얼마나 잘 지원할 수 있는가?
• RQ4 공정성 지표 간의 상호보완적 특성(예: 균형, 가치, 비대칭성)을 고려할 때, 추천에서 공정성 최적화를 위해 발생하는 트레이드오프는 어느 정도인가?
• RQ5 제안된 공정성 인지 PSL 모델은 정확도와 공정성 측면에서 최신 공정한 행렬 분해 모델을 초월하는가?

주요 결과

• 공정한 PSL 모델은 비공정 PSL 및 모든 공정한 행렬 분해 모델보다 균형 불공정성을 크게 감소시키며, 특히 여성 사용자 평점의 과소 평가를 방지하는 데 효과적이다.
• PSL 모델에 공정성 규칙을 추가해도 성능 저하가 미미하다—MC+CF PSL 모델의 경우 RMSE는 0.014, MAE는 0.007 감소하여 정확도와 공정성 간의 상호 갈등이 최소화됨을 보여준다.
• 공정한 PSL 모델은 공정한 MF 모델보다 비대칭 불공정성에서 뛰어난 성능을 보이며, 비공정 PSL 모델 대비 통계적으로 유의미한 향상이 있다.
• 공정성 규칙이 적용된 MC+CF+DC PSL 모델은 비공정 버전 대비 RMSE는 0.005 감소하고 MAE는 0.002 감소하여, 공정성 제약 조건을 최소 비용으로 통합할 수 있음을 입증한다.
• 단일 모델이 모든 지표에서 공정성을 달성하진 못하지만, 공정한 PSL 모델은 RMSE, MAE, 절대값, 가치, 균형 불공정성 지표 등 여러 지표에서 일관되게 공정성을 향상시키며 높은 정확도를 유지한다.
• 제안된 공정한 PSL 모델은 최신 공정한 행렬 분해 모델보다 전체적으로 더 뛰어난 정확도와 공정성을 달성하며, 특히 성별 기반 평점 불균형을 효과적으로 완화한다.