[논문 리뷰] ProFairRec: Provider Fairness-aware News Recommendation

Tao Qi, Fangzhao Wu외 6명|arXiv (Cornell University)|2022. 04. 10.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 소수자 뉴스 제공자에 대한 불공정성을 완화하기 위해 뉴스 및 사용자에 대한 편향에 영향을 받지 않는 표현을 학습하는 공급자 공정성 인식 뉴스 추천 프레임워크인 ProFairRec를 제안한다. 제공자 편향을 별개의 공정한 표현과 편향된 표현으로 분해하고, 적대적 학습과 직교 정규화를 적용함으로써 ProFairRec는 공개 벤치마크에서 추천 정확도를 손상시키지 않고도 공정성을 향상시킨다.

ABSTRACT

News recommendation aims to help online news platform users find their preferred news articles. Existing news recommendation methods usually learn models from historical user behaviors on news. However, these behaviors are usually biased on news providers. Models trained on biased user data may capture and even amplify the biases on news providers, and are unfair for some minority news providers. In this paper, we propose a provider fairness-aware news recommendation framework (named ProFairRec), which can learn news recommendation models fair for different news providers from biased user data. The core idea of ProFairRec is to learn provider-fair news representations and provider-fair user representations to achieve provider fairness. To learn provider-fair representations from biased data, we employ provider-biased representations to inherit provider bias from data. Provider-fair and -biased news representations are learned from news content and provider IDs respectively, which are further aggregated to build fair and biased user representations based on user click history. All of these representations are used in model training while only fair representations are used for user-news matching to achieve fair news recommendation. Besides, we propose an adversarial learning task on news provider discrimination to prevent provider-fair news representation from encoding provider bias. We also propose an orthogonal regularization on provider-fair and -biased representations to better reduce provider bias in provider-fair representations. Moreover, ProFairRec is a general framework and can be applied to different news recommendation methods. Extensive experiments on a public dataset verify that our ProFairRec approach can effectively improve the provider fairness of many existing methods and meanwhile maintain their recommendation accuracy.

연구 동기 및 목표

• 편향된 사용자 행동 데이터로 인한 뉴스 추천에서의 공급자 불공정성을 해결하기 위해.
• 추천 정확도를 훼손하지 않으면서도 공정성을 향상시키는 일반적인 프레임워크를 개발하기 위해.
• 뉴스 제공자 편향과 무관한 공급자 공정 표현을 학습함으로써 사용자 및 뉴스 선호도를 유지하기 위해.
• 표현 분리와 적대적 정규화를 통해 소수자 뉴스 제공자에게 공정한 노출를 보장하기 위해.
• 기존 추천 모델과의 통합을 가능하게 하여 다양한 아키텍처에서 공정성을 향상시키기 위해.

제안 방법

• 콘텐츠와 제공자 ID 입력을 사용하여 뉴스 표현을 공정한 제공자 표현과 제공자 편향된 표현으로 분해하기 위해.
• 사용자 클릭 이력의 집합을 통해 공정한 제공자 표현과 편향된 제공자 표현을 모두 활용하여 사용자 표현을 학습하기 위해.
• 추론 중에 공정한 제공자 표현만을 사용하여 사용자-뉴스 매칭을 수행함으로써 공정성을 보장하기 위해.
• 공정한 제공자 뉴스 표현이 다양한 제공자 간에 구별되지 않도록 하기 위해 적대적 학습을 적용하기 위해.
• 정규화를 통해 공정한 제공자 표현과 편향된 표현 간의 직교성을 강제하여 분리 성능을 향상시키기 위해.
• 기존 추천 모델에 플러그인 솔루션으로 통합하여 모델에 종속되지 않는 유연성을 유지하기 위해.

실험 결과

연구 질문

• RQ1 일반적인 프레임워크가 추천 정확도를 떨어뜨리지 않고 뉴스 추천의 공급자 공정성을 향상시킬 수 있는가?
• RQ2 표현 분리 기법이 제공자 편향에서 독립적인 신호를 분리하는 데 얼마나 효과적인가?
• RQ3 적대적 학습이 공정한 표현 내에서 제공자 편향을 얼마나 줄이는가?
• RQ4 직교 정규화가 공정한 표현 내에서 편향 감소에 기여하는 방식은 무엇인가?
• RQ5 적대적 손실 가중치를 조정할 때 공정성과 추천 성능 간의 상충 관계는 어떻게 나타나는가?

주요 결과

• ProFairRec는 MIND 데이터셋에서 여러 최신 기술(SOTA) 뉴스 추천 모델에 대해 공급자 공정성을 크게 향상시켰다.
• 제거 실험을 통해 제공자 편향 표현을 제거할 경우 공정성이 악화됨을 확인하여, 이들이 분리 과정에서 핵심적인 역할을 한다는 것을 입증했다.
• 적대적 학습은 공정한 표현 내에서 제공자 정보를 줄여 공정성을 향상시키며, 적대적 손실 가중치가 증가할수록 성능 향상이 관찰되었다.
• 직교 정규화는 표현 내에서 편향 신호와 비편향 신호를 더 잘 분리함으로써 공정성을 향상시켰다.
• 공정성과 정확도 사이에 상충 관계가 존재한다: 높은 적대적 손실 가중치는 공정성을 향상시키지만 추천 성능을 저하시킨다.
• ProFairRec는 높은 추천 정확도를 유지하면서도 상당한 수준의 공정성 향상을 달성하여 다양한 추천 아키텍처에 걸쳐 일반화 가능성을 입증했다.