[논문 리뷰] FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning

Chuhan Wu, Fangzhao Wu외 3명|arXiv (Cornell University)|2020. 06. 30.

Recommender Systems and Techniques참고 문헌 32인용 수 19

한 줄 요약

이 논문은 적대적 학습과 직교성 정규화를 사용하여 사용자 임베딩을 편향 인지 및 편향 없는 구성요소로 분해하는 공정성 인지 뉴스 추천 프레임워크 FairRec를 제안한다. 편향 없는 임베딩에서 민감한 속성 정보를 분리하고 제거함으로써 FairRec는 기준 데이터셋에서 성능 저하를 최소화하면서 추천의 공정성을 향상시킨다.

ABSTRACT

News recommendation is important for online news services. Existing news recommendation models are usually learned from users' news click behaviors. Usually the behaviors of users with the same sensitive attributes (e.g., genders) have similar patterns and news recommendation models can easily capture these patterns. It may lead to some biases related to sensitive user attributes in the recommendation results, e.g., always recommending sports news to male users, which is unfair since users may not receive diverse news information. In this paper, we propose a fairness-aware news recommendation approach with decomposed adversarial learning and orthogonality regularization, which can alleviate unfairness in news recommendation brought by the biases of sensitive user attributes. In our approach, we propose to decompose the user interest model into two components. One component aims to learn a bias-aware user embedding that captures the bias information on sensitive user attributes, and the other aims to learn a bias-free user embedding that only encodes attribute-independent user interest information for fairness-aware news recommendation. In addition, we propose to apply an attribute prediction task to the bias-aware user embedding to enhance its ability on bias modeling, and we apply adversarial learning to the bias-free user embedding to remove the bias information from it. Moreover, we propose an orthogonality regularization method to encourage the bias-free user embeddings to be orthogonal to the bias-aware one to better distinguish the bias-free user embedding from the bias-aware one. For fairness-aware news ranking, we only use the bias-free user embedding. Extensive experiments on benchmark dataset show that our approach can effectively improve fairness in news recommendation with minor performance loss.

연구 동기 및 목표

• 성별과 같은 민감한 속성과 연결된 편향된 사용자 클릭 패턴으로 인해 발생하는 뉴스 추천의 공정성 문제를 해결한다.
• 사용자 관심 표현에서 편향 관련 정보를 분리하여 더 공정한 뉴스 랭킹을 가능하게 하는 방법을 개발한다.
• 적대적 훈련과 직교성 제약 조건을 통해 편향 없는 사용자 임베딩이 민감한 속성 정보로부터 견고하게 분리되도록 보장한다.
• 성별 기반 편향된 선호도를 초월해 다양한 뉴스 콘텐츠를 노출시켜 사용자 경험을 향상시킨다.

제안 방법

• 사용자 관심 모델을 두 개의 병렬 구성요소로 분해한다: 하나는 편향 인지 사용자 임베딩을 학습하고, 다른 하나는 편향 없는 사용자 임베딩을 학습한다.
• 편향 인지 임베딩에 민감한 속성 예측기 모델을 훈련시어 사용자 속성과 관련된 편향을 더 잘 포착하도록 한다.
• 편향 없는 임베딩에 대해 적대적 학습을 적용하여 민감한 속성에 대한 정보를 최소화함으로써 공정성을 향상시킨다.
• 편향 인지 및 편향 없는 사용자 임베딩 간의 직교성을 강제하기 위해 직교성 정규화 항을 도입한다.
• 최종 뉴스 랭킹에는 오직 편향 없는 사용자 임베딩만을 사용하여 추천의 공정성을 확보한다.
• 예측, 속성 예측, 적대적 학습, 직교성 정규화 항을 포함한 다중 작업 손실을 최적화하여 전체 모델을 학습시킨다.

실험 결과

연구 질문

• RQ1 사용자 임베딩을 편향 인지 및 편향 없는 구성요소로 분해하는 것이 뉴스 추천의 부당성을 줄이는가?
• RQ2 편향 없는 사용자 임베딩에서 민감한 속성 정보를 제거하는 데 있어 적대적 학습의 효과는 어떠한가?
• RQ3 직교성 정규화가 민감한 속성에서 편향 없는 임베딩을 얼마나 잘 분리하는가?
• RQ4 공정성과 추천 성능 사이의 최적 균형을 이루기 위해 어떤 초모수 설정(λG, λD, λA)이 가장 적합한가?

주요 결과

• FairRec는 Disparate Impact 및 Equal Opportunity Difference와 같은 공정성 지표로 측정했을 때 뉴스 추천의 공정성을 크게 향상시켰다.
• 편향 인지 임베딩에서의 속성 예측 작업은 편향 모델링을 강화하여 λG = 0.5로 설정했을 때 더 나은 공정성 향상을 이끌어냈다.
• 편향 없는 임베딩에 대한 적대적 학습은 속성 누출을 줄였으며, λA = 0.5로 설정했을 때 최적의 성능을 보였다.
• 직교성 정규화가 편향 없는 임베딩을 편향 인지 임베딩에서 효과적으로 분리하여 성능 저하 없이 공정성을 향상시켰다.
• 모델는 공정성과 성능 사이의 유리한 트레이드오프를 달성했으며, 기준 모델 대비 랭킹 정확도(예: NDCG@10)가 약간 떨어지는 것으로 나타났다.
• 사례 연구 결과 FairRec는 남성 사용자에게 패션 뉴스, 여성 사용자에게 스포츠 뉴스를 성공적으로 추천하여 성별 기반 추천 편향을 줄였다.