[논문 리뷰] Multi-FR: A Multi-Objective Optimization Method for Achieving Two-sided Fairness in E-commerce Recommendation.

Haolun Wu, Chen Ma외 3명|arXiv (Cornell University)|2021. 05. 06.

Recommender Systems and Techniques참고 문헌 59인용 수 7

한 줄 요약

이 논문은 전자상거래 추천 시스템에서 소비자와 생산자 양측의 공정성을 균형 있게 유지하는 다목적 최적화 프레임워크인 Multi-FR를 제안한다. 다중 기울기 하강법을 활용해 파레토 집합을 생성하고 네 가지 공정성 제약 조건을 적용함으로써, 추천 품질에 대한 최소한의 희생으로 양측의 공정성을 향상시켜, 실제 데이터셋에서 최신 공정 순서 정렬 방법들을 능가한다.

ABSTRACT

Two-sided marketplaces are an important component of many existing Internet services like Airbnb and Amazon, which have both consumers (e.g. users) and producers (e.g. retailers). Traditionally, the recommendation system in these platforms mainly focuses on maximizing customer satisfaction by recommending the most relevant items based on the learned user preference. However, it has been shown in previous works that solely optimizing the satisfaction of customers may lead to unfair exposure of items, which jeopardizes the benefits of producers. To tackle this problem, we propose a fairness-aware recommendation framework by using multi-objective optimization, Multi-FR, to adaptively balance the objectives between consumers and producers. In particular, Multi-FR adopts the multi-gradient descent to generate a Pareto set of solutions, where the most appropriate one is selected from the Pareto set. In addition, four fairness metrics/constraints are applied to make the recommendation results on both the consumer and producer side fair. We extensively evaluate our model on three real-world datasets, comparing with grid-search methods and using a variety of performance metrics. The experimental results demonstrate that Multi-FR can improve the recommendation fairness on both the consumer and producer side with little drop in recommendation quality, also outperforming several state-of-the-art fair ranking approaches.

연구 동기 및 목표

• 기존 추천 시스템이 소비자 만족도에만 중점을 두어 발생시키는 항목 노출의 불균형을 해결하기 위해.
• 소비자 추천 품질을 훼손시키지 않으면서도 제휴자(예: 소매업자)의 항목에 대한 공정한 노출를 보장하기 위해.
• 이중 시장에서 소비자와 생산자 양측의 공정성을 동시에 최적화하는 통합 프레임워크를 개발하기 위해.
• 실제 전자상거래 데이터셋과 다양한 성능 메트릭을 활용해 공정성 인식 최적화의 효과를 평가하기 위해.

제안 방법

• Multi-FR는 다중 기울기 하강법을 사용하여 사용자 만족도와 소비자 및 생산자 공정성을 동시에 고려하는 파레토 집합의 해를 생성한다.
• 네 가지 공정성 메트릭 또는 제약 조건을 최적화 과정에 통합하여 생산자 간 항목의 균형 잡힌 노출을 보장한다.
• 공정성과 추천 품질 간의 트레이드오프를 기반으로 파레토 집합에서 가장 적절한 해를 선택한다.
• 세 가지 실제 전자상거래 데이터셋을 사용하여 격자 탐색 기반 방법 및 최신 공정 순서 정렬 접근법과 비교 평가한다.
• 고정된 추천 정확도를 유지하면서도 양측의 공정성을 향상시키기 위해 최적화 과정을 설계한다.
• 사용자 선호도 정확도와 공정성 사이의 트레이드오프에 동적으로 대응할 수 있도록 유연하게 구현 가능하도록 설계되어 실제 플랫폼에 쉽게 통합할 수 있다.

실험 결과

연구 질문

• RQ1 다목적 최적화 프레임워크는 전자상거래 추천 시스템에서 소비자와 생산자 양측의 공정성을 효과적으로 균형 있게 유지할 수 있는가?
• RQ2 Multi-FR는 격자 탐색 방법과 기존의 공정 순서 정렬 접근법에 비해 공정성과 추천 품질 측면에서 어떻게 비교되는가?
• RQ3 추천 성능이 크게 떨어지지 않도록 하면서 소비자 및 생산자 양측의 공정성을 얼마나 향상시킬 수 있는가?
• RQ4 네 가지의 서로 다른 공정성 제약 조건을 적용할 경우 전체 추천 공정성과 시스템 성능에 어떤 영향을 미치는가?

주요 결과

• 기존 기반 방법에 비해 Multi-FR는 추천 품질에 대한 최소한의 손실로 소비자 및 생산자 양측의 공정성 향상이 뚜렷하게 이루어졌다.
• 다양한 최신 공정 순서 정렬 접근법보다도 양측의 공정성을 균형 있게 유지하는 데 뛰어난 성능을 보였다.
• 다중 기울기 하강법을 통해 생성된 파레토 집합은 공정성과 추천 정확도 사이의 효과적인 트레이드오프 관리를 가능하게 했다.
• 네 가지 공정성 메트릭의 통합은 항목의 균형 잡힌 노출을 이끌어내어 인기 없는 항목의 노출 부족 위험을 줄였다.
• 세 가지 실제 전자상거래 데이터셋에서의 실험 결과, Multi-FR는 높은 추천 품질을 유지하면서도 양측의 공정성을 향상시켰다.
• 다양한 전자상거래 환경에서 뛰어난 안정성을 보이며, 광범위한 초모수 조정 없이도 일관된 공정성 향상을 보였다.