[논문 리뷰] Interpolating Item and User Fairness in Multi-Sided Recommendations

Qinyi Chen, Jason Cheuk Nam Liang외 2명|arXiv (Cornell University)|2023. 06. 12.

Advanced Bandit Algorithms Research인용 수 4

한 줄 요약

이 논문은 다면적 플랫폼에서 플랫폼 수익과 아이템 및 사용자에 대한 공정성을 균형 잡는 데 초점을 맞춘 새로운 공정 추천 프레임워크인 Problem (fair)를 제안한다. 이는 동적으로 변화하는 환경에서 낮은 수익 및 공정성 회귀를 달성하기 위해 사용자 선호도를 동시에 학습하고 동적으로 아이템 및 사용자 공정성 제약을 보간하는 저잔소비 온라인 알고리즘인 FORM을 도입한다.

ABSTRACT

Today's online platforms heavily lean on algorithmic recommendations for bolstering user engagement and driving revenue. However, these recommendations can impact multiple stakeholders simultaneously -- the platform, items (sellers), and users (customers) -- each with their unique objectives, making it difficult to find the right middle ground that accommodates all stakeholders. To address this, we introduce a novel fair recommendation framework, Problem (FAIR), that flexibly balances multi-stakeholder interests via a constrained optimization formulation. We next explore Problem (FAIR) in a dynamic online setting where data uncertainty further adds complexity, and propose a low-regret algorithm FORM that concurrently performs real-time learning and fair recommendations, two tasks that are often at odds. Via both theoretical analysis and a numerical case study on real-world data, we demonstrate the efficacy of our framework and method in maintaining platform revenue while ensuring desired levels of fairness for both items and users.

연구 동기 및 목표

• 알고리즘 추천 시스템에서 플랫폼, 아이템, 사용자 등 다수 이해관계자의 공정성을 균형 잡는 도전 과제를 해결하기 위해.
• 플랫폼이 아이템과 사용자에 대한 공정성 지표를 정의하고, 이를 수용할 수 있는 '공정성 가격'을 설정할 수 있도록 하는 유연한 프레임워크를 개발하기 위해.
• 실시간으로 사용자 행동을 학습하고 공정성 제약을 유지하는 온라인 학습 알고리즘을 설계하기 위해.
• 부분적이고 지연된 피드백 조건 하에서도 시간이 지남에 따라 수익 및 공정성 측면에서 낮은 회귀를 달성하도록 보장하기 위해.
• 실제 데이터 기반 사례 연구를 통해 프레임워크의 실용적 적용 가능성을 검증하기 위해.

제안 방법

• 플랫폼 수익을 최대화하면서도 사용자 및 아이템에 대한 공정성 제약을 커스터마이징된 정의를 통해 강제하는 다목적 최적화 프레임워크인 Problem (fair)를 제안한다.
• 플랫폼이 사전 지식 없이 실시간으로 구매 확률과 도착률을 학습하는 동적 온라인 설정을 정의한다.
• 알고리즘 성능 평가를 위해 수익 회귀(최적 수익과의 차이) 및 공정성 회귀(공정성 목표에서의 이탈)라는 두 가지 성능 지표를 정의한다.
• 탐색(학습)과 이용(공정한 추천)을 균형 잡는 데 초점을 맞춘 저잔소비 온라인 추천 알고리즘인 FORM을 설계하며, 적응형 신뢰구간과 공정성 인지 업데이트를 활용한다.
• 이중 최적화 접근법을 사용: 하나는 사용자 구매 확률 추정을 위한 것이고, 다른 하나는 아이템 및 사용자 결과 함수를 통한 공정성 유지를 위한 것이다.
• 모든 아이템-사용자 쌍에 대한 충분한 샘플링을 보장하기 위해 신뢰구간 기반 탐색 전략을 활용하여 탐색 부족으로 인한 잘못된 추정을 방지한다.

실험 결과

연구 질문

• RQ1 멀티사이드 마켓플레이스에서 플랫폼, 아이템, 사용자의 이해관계를 공정하게 균형 잡는 추천 시스템은 어떻게 설계할 수 있는가?
• RQ2 서로 충돌할 수 있는 목표를 가진 아이템과 사용자에 대해 동시에 효과적으로 공정성을 정의하고 시행할 수 있는 방법은 무엇인가?
• RQ3 탐색과 이용이 상충되는 상황에서 플랫폼은 실시간으로 사용자 선호도를 학습하고 공정성을 유지할 수 있는가?
• RQ4 부분적이고 지연된 피드백 조건 하에서도 온라인 알고리즘이 수익 및 공정성 측면에서 낮은 회귀를 달성할 수 있는가?
• RQ5 제안된 프레임워크는 실세계 추천 데이터에서 실제로 어떻게 성능을 발휘하는가?

주요 결과

• FORM은 낮은 수익 회귀를 달성하여 사용자 선호도에 대한 완전한 지식이 있을 때 달성 가능한 최적 수익에 매우 가까운 성능을 보인다.
• FORM은 낮은 공정성 회귀를 유지하여 아이템 및 사용자에 대해 시간 평균 공정성 목표에서의 이탈이 최소화됨을 보장한다.
• 프레임워크는 아이템 공정성과 사용자 공정성을 효과적으로 통합하여 플랫폼이 각 이해관계자에 대해 커스터마이징된 '공정성 가격'을 설정할 수 있도록 한다.
• 알고리즘은 신뢰구간을 활용해 탐색을 이끌면서도 공정성 제약을 유지함으로써 탐색-이용 트레이드오프를 효과적으로 관리한다.
• 실세계 데이터 기반 사례 연구를 통해 프레임워크가 플랫폼 수익을 크게 희생시키지 않으면서도 아이템 및 사용자 모두의 공정성을 향상시킴을 입증한다.
• 이론적 분석을 통해 FORM이 불확실성에 강건하며, 시간이 지남에 따라 공정성과 수익 성능을 유지함을 확인한다.