[논문 리뷰] Personalizing Fairness-aware Re-ranking

Weiwen Liu, Robin Burke|arXiv (Cornell University)|2018. 09. 09.

Recommender Systems and Techniques참고 문헌 17인용 수 39

한 줄 요약

이 논문은 개인화된 사용자에 의한 다양성에 대한 내성 수용 수준을 통합하여 다중 이해관계자 추천 시스템에서 추천 정확도와 제공자 측면의 공정성(P-fairness)을 균형 잡는 공정성 인식 재정렬 알고리즘(FAR)을 제안한다. 이 방법은 관련성과 제공자 커버리지 사이의 가중치 조정을 반복적으로 사용하여 정확도 손실을 최소화하면서도 상당한 공정성 향상을 달성하며, 개인별 다양성 선호도에 맞게 적응한다.

ABSTRACT

Personalized recommendation brings about novel challenges in ensuring fairness, especially in scenarios in which users are not the only stakeholders involved in the recommender system. For example, the system may want to ensure that items from different providers have a fair chance of being recommended. To solve this problem, we propose a Fairness-Aware Re-ranking algorithm (FAR) to balance the ranking quality and provider-side fairness. We iteratively generate the ranking list by trading off between accuracy and the coverage of the providers. Although fair treatment of providers is desirable, users may differ in their receptivity to the addition of this type of diversity. Therefore, personalized user tolerance towards provider diversification is incorporated. Experiments are conducted on both synthetic and real-world data. The results show that our proposed re-ranking algorithm can significantly promote fairness with a slight sacrifice in accuracy and can do so while being attentive to individual user differences.

연구 동기 및 목표

• 사용자와 제공자가 모두 핵심 이해관계자인 다중 이해관계자 추천 시스템(MRSs)에서의 공정성 문제를 해결하기 위해.
• 모든 제공자로부터의 아이템에 균형 잡힌 노출 기회를 보장하는 제공자 측면의 공정성(P-fairness)을 정의하고 달성하기 위해.
• 사용자 간 다양성에 대한 내성 수용 수준의 차이를 통합하여 개인화된 공정성 통합을 가능하게 하기 위해.
• 기본 추천 모델에 관계없이 적용 가능한 공정성 인식 후처리 재정렬 알고리즘을 설계하기 위해.
• 사용자 개인화를 유지하면서 순위 정확도와 공정성 사이의 트레이드오프를 평가하기 위해.

제안 방법

• 알고리즘은 관련성과 신선도를 균형 잡는 확률적 모델인 xQuAD 기반의 재정렬 프레임워크를 사용하며, 제공자 커버리지까지 확장하였다.
• 개별 사용자에 맞는 가중치 요소를 도입하여 공정성 통합 정도를 개인화하며, 이는 사용자가 다양성에 대해 얼마나 수용하는지의 정도를 반영한다.
• 재정렬을 관련성과 제공자 커버리지 사이의 최적화 문제로 공식화하였으며, 균형을 조절하는 트레이드오프 파라미터를 포함한다.
• 제공자 커버리지는 상위-K 정렬 목록에 포함된 고유한 제공자의 수로 측정되며, 제공자 간 다양성을 극대화하는 것을 목표로 한다.
• 기존의 어떤 추천 모델의 출력을 그대로 유지하면서도 후처리 단계로 작동하여 공정성을 향상시키며, 원래 모델의 구조에 영향을 주지 않는다.
• 사용자가 실제로 비최적의 다각적인 아이템을 얼마나 수용하는지에 따라 동적으로 각 사용자별 공정성 가중치를 조정한다.

실험 결과

연구 질문

• RQ1 다중 이해관계자 추천 시스템에서 제공자 측면의 공정성(P-fairness)을 추천 정확도와 효과적으로 균형 잡을 수 있는가?
• RQ2 다양성에 대한 개인화된 사용자 수용 수준이 정확도를 크게 떨어뜨리지 않으면서 얼마나 공정성을 향상시킬 수 있는가?
• RQ3 후처리 기반의 재정렬 접근이 제공자 간 공정성을 효과적으로 향상시킬 수 있으며, 기반 추천 알고리즘에 관계없이 적용 가능한가?
• RQ4 사용자별 다양성 수용 수준 통합이 공정성-정확도 트레이드오프에 어떤 영향을 미치는가?
• RQ5 관련성과 제공자 커버리지 사이의 트레이드오프 파라미터를 다양하게 조정할 경우 전체 시스템 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 FAR 알고리즘은 합성 및 실세계 데이터셋에서 검증된 결과, 추천 정확도의 약간의 손실로도 제공자 측면의 공정성을 상당히 향상시킨다.
• 개인화된 다양성 수용 수준을 통합함으로써 사용자 선호도와 더 잘 부합되며, 다양성 수용 수준이 높은 사용자는 더 다양한 결과를 받는다.
• 정확한 추천을 우선시함으로써 높은 관련성을 유지하면서도, 부족한 제공자에 대한 노출 기회를 체계적으로 증가시킨다.
• 실험 결과 재정렬 과정이 상위-K 목록에 포함된 고유한 제공자의 수를 효과적으로 증가시켜 모든 제공자에 대한 공정성을 향상시킨다.
• 다양한 데이터 분포에 대해 강건성을 보이며, 기반 추천 모델이 공정성 인식이 아닐 경우에도 효과적이다.
• 결과는 사용자 만족도를 훼손하지 않으면서도 공정성을 향상시킬 수 있음을 확인하며, 특히 사용자 다양성 수용 수준을 개인화할 경우 더욱 효과적이다.