[논문 리뷰] Fairness-Aware Explainable Recommendation over Knowledge Graphs

Zuohui Fu, Yikun Xian외 9명|arXiv (Cornell University)|2020. 06. 03.

Explainable Artificial Intelligence (XAI)참고 문헌 43인용 수 17

한 줄 요약

이 논문은 지식 그래프 기반 설명 가능 추천 시스템에서 비활성 사용자와 활성 사용자 간의 성능 격차와 설명 편향을 완화하기 위해 공정성 인지 히우리스틱 재순서 정렬 방법을 제안한다. 경로 다양성과 공정성을 촉진하는 정규화 프레임워크에 사용자 활동 수준을 통합함으로써, 품질을 희생시키지 않은 채 추천의 공정성을 향상시킨다. 이는 최신의 설명 가능 추천 시스템 모델을 사용한 실세계 데이터셋에서 검증되었다.

ABSTRACT

There has been growing attention on fairness considerations recently, especially in the context of intelligent decision making systems. Explainable recommendation systems, in particular, may suffer from both explanation bias and performance disparity. In this paper, we analyze different groups of users according to their level of activity, and find that bias exists in recommendation performance between different groups. We show that inactive users may be more susceptible to receiving unsatisfactory recommendations, due to insufficient training data for the inactive users, and that their recommendations may be biased by the training records of more active users, due to the nature of collaborative filtering, which leads to an unfair treatment by the system. We propose a fairness constrained approach via heuristic re-ranking to mitigate this unfairness problem in the context of explainable recommendation over knowledge graphs. We experiment on several real-world datasets with state-of-the-art knowledge graph-based explainable recommendation algorithms. The promising results show that our algorithm is not only able to provide high-quality explainable recommendations, but also reduces the recommendation unfairness in several respects.

연구 동기 및 목표

• 설명 가능 추천 시스템에서 비활성 사용자와 활성 사용자 간의 공정성 격차를 해결하기 위해.
• 사용자 집단 간 추천 성능과 설명 다양성의 부정확성 정도를 정량화하기 위해.
• 경로 다양성 향상과 집단 공정성 지표 감소를 동시에 달성하는 공정성 제약 재순서 정렬 프레임워크를 개발하기 위해.
• 데이터 불균형과 공동 필터링에 기인한 알고리즘 편향을 완화하면서도 높은 추천 품질을 유지하기 위해.
• 기존 지식 그래프 기반 설명 가능 추천 모델에 적용 가능한 실용적이고 하이퍼파rameter 조정이 가능한 솔루션을 제공하기 위해.

제안 방법

• 사용자 활동 수준에 기반해 추천 경로를 조정하는 공정성 인지 히우리스틱 정규화 항을 사용하는 공정성 인지 재순서 정렬 메커니즘을 도입한다.
• 이중 구성 요소 공정성 목적 함수를 활용: 하나는 경로 다양성, 다른 하나는 순위 품질이며, 하이퍼파rameter α를 통해 균형을 맞춘다.
• 자기 조정 정규화를 적용해 인기 있는 사용자-아이템 상호작용에 대한 과도한 의존도를 줄여 비활성 사용자에게 특히 유리하게 한다.
• 지식 그래프 추론 경로를 설명 가능한 단위로 사용하여 추천의 투명성과 해석 가능성을 보장한다.
• 사용자 활동을 가시성의 대체 지표로 활용하여 민감한 속성(예: 인종, 성별)이 필요 없이 공정성 제약을 적용한다.
• 추천 성능(예: NDCG)과 집단 공정성 지표(GRU)를 가중 조합하여 최적화를 이끌어내는 데 사용한다.

실험 결과

연구 질문

• RQ1 사용자 비활성 상태가 설명 가능 추천 시스템에서 성능 격차와 설명 편향을 어떻게 유도하는가?
• RQ2 사용자 활동 수준과 경로 다양성에 기반한 재순서 정렬을 통해 추천의 공정성은 어느 정도 향상될 수 있는가?
• RQ3 공정성 인지 재순서 정렬 접근법은 집단 공정성 지표를 감소시키면서도 높은 추천 품질을 유지할 수 있는가?
• RQ4 다양한 하이퍼파arameter 설정(α 및 β)이 공정성과 성능 간의 트레이드오프에 어떻게 영향을 미치는가?
• RQ5 제안된 방법은 비활성 사용자에게 더 다양하고 대표적인 설명 경로를 생성할 수 있는가?

주요 결과

• 제안된 공정성 인지 재순서 정렬 방법은 모든 데이터셋에서 집단 공정성 지표(GRU)를 일관되게 감소시켜 모든 베이스라인을 능가했다.
• Beauty 데이터셋에서, 이 방법은 상위-k 목록에서 정확한 아이템 예측 수를 4개에서 6개로 증가시켰으며, 더 다양한 관련성이 높은 설명 경로를 제공했다.
• α = 0.75일 때, 이 방법은 최적의 균형을 달성하여 GRU를 3.211로 감소시키면서도 활성 사용자에 대해 높은 NDCG(9.093)와 F1(6.929)를 유지했다.
• α가 0에서 1로 증가함에 따라 추천 성능과 GRU가 약간 감소했으며, 이는 극단적인 정규화가 성능에 악영향을 줌을 시사한다.
• 이 방법은 '페이셜 클리너' 예시에서 추가로 두 개의 관련성이 높은 아이템을 생성하여 추천 커버리지와 다양성을 향상시켰다.
• α = 1.0일 때 경로 다양성이 최대로 증가하더라도 GRU는 베이스라인보다 낮았으며, 이는 지속적인 공정성 향상이 이루어졌음을 확인한다.