[논문 리뷰] CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems

Mohammadmehdi Naghiaei, Hossein A. Rahmani외 1명|arXiv (Cornell University)|2022. 04. 17.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 소비자 및 생산자 공정성을 동시에 최적화하는 모델에 종속되지 않는 재정렬 프레임워크인 CPFair를 제안한다. 이는 개인화된 공정성 제약 조건을 통합 최적화 목표에 통합하여 추천 시스템에서 소비자 및 생산자 공정성을 함께 개선한다. 여덟 개의 데이터셋에서의 실험 결과, CPFair는 추천 정확도를 희생시키지 않은 채 사용자 및 아이템 그룹 간의 공정성 격차를 줄여, 이중 시장에서의 데이터 편향을 완화하는 데 효과적임을 입증한다.

ABSTRACT

Recently, there has been a rising awareness that when machine learning (ML) algorithms are used to automate choices, they may treat/affect individuals unfairly, with legal, ethical, or economic consequences. Recommender systems are prominent examples of such ML systems that assist users in making high-stakes judgments. A common trend in the previous literature research on fairness in recommender systems is that the majority of works treat user and item fairness concerns separately, ignoring the fact that recommender systems operate in a two-sided marketplace. In this work, we present an optimization-based re-ranking approach that seamlessly integrates fairness constraints from both the consumer and producer-side in a joint objective framework. We demonstrate through large-scale experiments on 8 datasets that our proposed method is capable of improving both consumer and producer fairness without reducing overall recommendation quality, demonstrating the role algorithms may play in minimizing data biases.

연구 동기 및 목표

• 기존의 공정성 인식 추천 시스템이 온라인 마켓플레이스의 이중성에 주목하지 못하고 소비자 및 생산자 공정성을 별도로 다루는 데에 격차가 존재함을 해결하기 위해.
• 사용자(소비자)와 아이템(생산자) 양측의 공정성을 동시에 향상시킬 수 있는 통합된 공정성 최적화 프레임워크를 개발하기 위해.
• 통합된 공정성 최적화가 공정성 격차를 줄이면서도 전체 추천 품질과 정확도를 유지하거나 향상시킬 수 있는지 평가하기 위해.
• 정확도 및 신선도와 같은 시스템 전체 성능 지표와의 상호작용을 고려해, 사용자 관련성 및 아이템 노출에 대한 공정성 제약 조건 간의 트레이드오프를 조사하기 위해.
• 모델에 종속되지 않은 재정렬 솔루션을 제공하여, 어떤 사전 학습된 추천 모델에도 적용 가능하게 하여 재학습 없이도 공정성을 향상시키기 위해.

제안 방법

• CPFair는 사전 학습된 추천 모델의 출력을 수정하여 공정성 제약 조건을 만족시키는 최적화 기반의 재정렬 접근법을 사용한다.
• 이 방법은 소비자 공정성(사용자 관련성)과 생산자 공정성(아이템 노출)을 위한 두 가지 정규화 항을 사용하여 사용자 및 아이템 그룹 간의 공정성 격차를 최소화하는 통합 목표 함수를 정식화한다.
• 핵심 최적화 문제는 식 3으로 정의되며, 하이퍼파rameter λ₁ 및 λ₂를 통해 추천 정확도(nDCG@10), 사용자 공정성(사용자 그룹 관련성), 아이템 공정성(아이템 그룹 노출)을 균형 잡는다.
• 재정렬 과정은 사용자 선호도와 아이템 인기도를 기반으로 한 공정성 인식 점수를 바탕으로 아이템 순위를 조정하여, 표현이 부족한 사용자 및 아이템 그룹이 공정하게 대우받도록 보장한다.
• 이 방법은 모델에 종속되지 않아, 협업 필터링 또는 딥러닝 기반 추천 모델의 추론 후에 적용 가능하다.
• λ₁ 및 λ₂의 파라미터 튜닝을 통해 정확도와 공정성 간의 트레이드오프를 제어할 수 있으며, 제거 분석 결과 λ₁은 사용자 공정성에 영향을 주고, λ₂는 아이템 노출과 전체 시스템 성능에 더 큰 영향을 미친다.

실험 결과

연구 질문

• RQ1 통합된 공정성 최적화 프레임워크는 전체 추천 정확도를 떨어뜨리지 않고서도 추천 시스템에서 소비자 및 생산자 공정성을 동시에 향상시킬 수 있는가?
• RQ2 사용자 관련성 및 아이템 노출에 대한 공정성 제약 조건은 어떻게 상호작용하며, nDCG 및 신선도와 같은 시스템 전체 성능 지표와의 트레이드오프는 어떠한가?
• RQ3 일방적인 공정성 최적화(예: 소비자 전용 또는 생산자 전용)는 다른 이해관계자 그룹에 뜻하지 않은 격차를 초래하는가?
• RQ4 다양한 데이터 특성(예: 사용자 활동 패tern, 아이템 인기도의 기울기)은 공정성 인식 재정렬 방법의 성능에 어떤 영향을 미치는가?
• RQ5 공정성과 정확도 사이의 최적의 균형은 무엇이며, 하이퍼파rameter λ₁ 및 λ₂는 이 트레이드오프에 어떻게 영향을 미치는가?

주요 결과

• CPFair는 여덟 개의 데이터셋에서 기준 모델 대비 mCPF(다중 이해관계자 소비자 및 생산자 공정성) 지표를 최대 50%까지 감소시켜 통합 공정성 향상에 있어 뚜렷한 개선을 보였다.
• Epinion 및 Gowalla 데이터셋에서 CPFair는 각각 mCPF 값 3.1784 및 5.2617을 기록하여 모든 기준 모델 및 단일 공정성 모델보다 유의미하게 낮았다.
• CP-fairness 모델은 nDCG@10 기준 경쟁 가능한 전체 정확도를 유지했으며, 특히 Gowalla 및 Epinion에서 PF 기반 CP-fairness가 공정성과 정확도 사이의 최적 균형을 이룩했다.
• NeuMF 및 VAECF는 더 높은 정확도를 달성했지만, 특히 장꼬리 아이템의 경우 공정성 격차가 증가하여 정확도와 공정성 간의 트레이드오프를 드러냈다.
• 제거 분석 결과 λ₁는 주로 사용자 공정성과 전체 정확도에 영향을 주며, λ₂는 아이템 노출과 공정성에 더 강한 영향을 미치며, 과도한 λ₂ 값은 장꼬리 아이템에 대한 상호작용 신호가 부족해져 정확도에 악영향을 미친다.
• 결과적으로 통합된 공정성 최적화가 단일 공정성 접근보다 더 효과적임을 입증하였으며, 단일 공정성 방법은 데이터 특성에 따라 데이터셋 간 일관성 없이 성능을 보였다.