[논문 리뷰] TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers

Yao Wu, Jian Cao외 2명|arXiv (Cornell University)|2021. 04. 19.

Recommender Systems and Techniques참고 문헌 24인용 수 10

한 줄 요약

TFROM은 고객(개별적 공정성: 추천 품질의 공정성)과 제공자(그룹적 공정성: 아이템 노출의 공정성) 양측에 대해 동시에 공정성을 고려하는 이중 공정성 인식 추천 모델로, 오프라인 및 온라인 환경에서 후처리 히우리스틱을 활용한다. 실제 데이터셋에서 기존 모델 대비 추천 품질 손실를 최소화하면서도 뛰어난 이중 공정성을 달성한다.

ABSTRACT

At present, most research on the fairness of recommender systems is conducted either from the perspective of customers or from the perspective of product (or service) providers. However, such a practice ignores the fact that when fairness is guaranteed to one side, the fairness and rights of the other side are likely to reduce. In this paper, we consider recommendation scenarios from the perspective of two sides (customers and providers). From the perspective of providers, we consider the fairness of the providers' exposure in recommender system. For customers, we consider the fairness of the reduced quality of recommendation results due to the introduction of fairness measures. We theoretically analyzed the relationship between recommendation quality, customers fairness, and provider fairness, and design a two-sided fairness-aware recommendation model (TFROM) for both customers and providers. Specifically, we design two versions of TFROM for offline and online recommendation. The effectiveness of the model is verified on three real-world data sets. The experimental results show that TFROM provides better two-sided fairness while still maintaining a higher level of personalization than the baseline algorithms.

연구 동기 및 목표

• 추천 시스템에서 고객과 제공자 간의 공정성 불균형 문제를 해결하기 위해, 한 쪽의 공정성을 최적화할 경우 다른 쪽의 공정성이 악화되는 현상 방지.
• 다수의 아이템을 제공하는 제공자에 대해 그룹 수준의 공정성을 모델링함으로써 그들의 아이템 간 공정한 노출 보장.
• 고객 간 개인적 공정성을 확보하기 위해 추천 품질의 격차를 최소화함.
• 기존 추천 시스템에 쉽게 통합할 수 있는 확장성 있는 후처리 접근법을 설계하여 오프라인 및 온라인 환경 모두에 적용 가능하도록 함.
• 이중 공정성이 추천 품질을 크게 훼손하지 않도록 실험적으로 검증함.

제안 방법

• TFROM은 추천 품질, 고객 공정성(NDGC의 분산), 제공자 공정성(노출의 분산 및 노출-관련성 비율)을 균형 잡는 다목적 최적화 문제를 설정함.
• 두 가지 변형을 도입함: 배치 처리를 위한 TFROM-offline와 스트리밍 고객 요청을 위한 TFROM-online.
• 제공자 공정성 측면에서, 상단 순위에 위치한 아이템이 더 많은 주목을 받는다는 점을 반영한 위치 인지 노출 지표를 사용함. 이는 이전 연구에서 균일한 노출을 가정한 것과 다름.
• 공정한 노출을 확보하면서도 관련성을 유지하기 위해 후처리 알고리즘을 적용하여 재순서 정렬함.
• 유연성 확보를 위해 품질 가중 공정성과 균일 공정성 두 가지 제공자 공정성 목표를 별도로 도입함.
• 모델은 기존 추천 모델과 호환되도록 설계되어 실제 시스템에 쉽게 통합 가능함.

실험 결과

연구 질문

• RQ1 추천 시스템이 개인화를 훼손하지 않으면서도 고객과 제공자 양측에 대해 동시에 공정성을 달성할 수 있는가?
• RQ2 특히 제공자가 다수의 아이템을 제공할 경우, 제공자 공정성 도입이 고객 공정성과 추천 품질에 어떤 영향을 미치는가?
• RQ3 오프라인 및 온라인 추천 환경에서 추천 품질, 고객 공정성, 제공자 노출 공정성 간의 상호 상충 관계는 어떻게 나타나는가?
• RQ4 위치 기반 노출 영향이 공정성 지표에 미치는 영향은 무엇이며, 이를 효과적으로 모델링할 수 있는가?
• RQ5 후처리 접근법이 다양한 실제 데이터셋에서 이중 공정성을 효과적으로 균형 잡을 수 있는가?

주요 결과

• TFROM-online은 Top-k 대비 전체 추천 품질 손실가 매우 작지만, 기존 모델 대비 공정성과 추천 품질의 균형을 더 잘 달성함.
• 고객 공정성(NDGC 분산 측정)은 시간이 지남에 따라 안정화되며, 다른 알고리즘보다 더 우수한 수준에 도달함으로써 장기적 추천에서 일관된 공정성 확보됨.
• TFROM-online은 특히 품질 가중 공정성 목표 하에서 제공자 노출 공정성이 크게 향상되어, Top-k 및 기타 기준 모델 대비 노출 분산을 더 효과적으로 감소시킴.
• ILP 기반 방법은 제약된 해 공간으로 인해 최적화 능력이 제한되어 있어, 온라인 공정성에 있어 히우리스틱 후처리가 더 효과적임을 시사함.
• TFROM-online-Quality-Weighted는 제공자 간 노출 분포에서 가장 일관되고 공정한 결과를 도출하여, 균일 및 비공정 기준 모델을 모두 압도함.
• Ctrip, Google, Amazon 데이터셋에서의 결과는 TFROM이 오프라인 및 온라인 환경 모두에서 높은 개인화를 유지하면서도 뛰어난 이중 공정성을 제공함을 확인함.