[논문 리뷰] Transferable Fairness for Cold-Start Recommendation

Yunqi Li, Dingxian Wang외 2명|arXiv (Cornell University)|2023. 01. 25.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 따뜻한 사용자(소스 도메인)에서 냉시작 사용자(타겟 도메인)로 대조적 공정성과 추천 성능을 전이하는 전이 학습 프레임워크 TFR을 제안한다. 민감한 특성(예: 성별)을 사용자 임베딩에서 분리하기 위해 적대적 학습을 통합함으로써, TFR은 타겟 사용자 상호작용 데이터가 필요로 하지 않으면서도 냉시작 사용자에 대해 높은 공정성과 향상된 추천 정확도를 달성한다.

ABSTRACT

With the increasing use and impact of recommender systems in our daily lives, how to achieve fairness in recommendation has become an important problem. Previous works on fairness-aware recommendation mainly focus on a predefined set of (usually warm-start) users. However, recommender systems often face more challenging fairness issues for new users or cold-start users due to their insufficient amount of interactions. Therefore, it is essential to study whether the trained model still performs fairly for a new set of cold-start users. This paper considers the scenario where the recommender system meets new users who only have limited or even no interaction with the platform, and aims at providing high-quality and fair recommendations to such users effectively. The sufficient interaction data from warm users is treated as the source user domain, while the data from new users is treated as the target user domain, and we consider to transfer the counterfactual fairness from the source users to the target users. To this end, we introduce a framework to achieve transferable counterfactual fairness in recommendation. The proposed method is able to transfer the knowledge of a fair model learned from the source users to the target users with the hope of improving the recommendation performance and keeping the fairness property on the target users. Experiments on two real-world datasets with representative recommendation algorithms show that our method not only promotes fairness for the target users, but also outperforms comparative models in terms of recommendation performance.

연구 동기 및 목표

• 상호작용 데이터가 부족한 냉시작 사용자에 대한 공정성 인식 추천의 격차를 해소한다.
• 따뜻한 사용자(소스 도메인)에서 냉시작 사용자(타겟 도메인)로 특정히 대조적 공정성의 공정성 특성을 전이한다.
• 지식 전이를 통해 냉시작 사용자에 대한 높은 추천 성능를 유지하면서도 공정성을 확보한다.
• 타겟 사용자 상호작용 데이터가 필요로 하지 않는 방법을 개발하여 비지도 전이를 가능하게 한다.

제안 방법

• 풍부한 상호작용 데이터를 가진 따뜻한 사용자(소스 도메인)를 사용하여 대조적으로 공정한 추천 모델을 훈련한다.
• 사용자 표현이 민감한 특성(예: 성별)에 대해 불변이 되도록 적대적 학습을 통합함으로써 대조적 공정성을 확보한다.
• 추천 모델과 적대자(Adversary)를 함께 훈련하여 민감한 특성을 사용자 임베딩에서 분리하면서도 추천 유틸리티를 유지한다.
• 타겟 사용자 데이터에 대한 미세조정 없이 도메인 적응을 통해 소스에서 타겟 사용자로 공정한 모델을 전이한다. 이는 비지도 설정에서 이루어진다.
• 지도 학습 설정에서는 제한된 타겟 사용자 상호작용을 통합하여 추천 성능를 추가로 향상시키지만, 공정성은 유지한다.
• 민감한 특성을 사용자 임베딩에서 예측할 수 있는지 평가하기 위해 적대자를 사용한다; 낮은 AUC는 높은 공정성을 의미한다.

실험 결과

연구 질문

• RQ1 냉시작 사용자에 대한 상호작용 데이터에 접근할 수 없을 때 따뜻한 사용자에서 학습한 대조적 공정성이 효과적으로 전이될 수 있는가?
• RQ2 소스에서 타겟 사용자로 공정성 지식을 전이하면 냉시작 사용자에 대한 추천 성능가 향상되는가?
• RQ3 비지도 및 지도 학습 설정 모두에서 제안된 방법이 기준 모델 대비 공정성과 추천 정확도를 유지하는 데 얼마나 효과적인가?
• RQ4 사용자 임베딩에서 민감한 특성을 적대적으로 분리하는 것은 냉시작 환경에서 대조적 공정성을 얼마나 잘 보장하는가?

주요 결과

• TFR은 민감한 특성 예측에 대해 적대적 공격에서 AUC 점수가 약 0.5를 기록하여, 사용자 임베딩이 민감한 특성과 거의 독립적임을 나타내며 이는 대조적 공정성을 보장한다.
• 비지도 설정에서 TFR은 소스 데이터 전용으로 훈련된 기준 모델과 대부분의 타겟 데이터 전용으로 훈련된 기준 모델을 모두 능가하여 추천 성능의 효과적인 전이를 입증한다.
• 지도 설정에서 TFR은 소스 및 타겟 데이터를 병합해 훈련한 모든 기준 모델을 초월하여 평가 지표 전반에서 뛰어난 성능과 공정성을 확보한다.
• TFR은 AUC 및 기타 지표로 측정된 높은 추천 품질을 유지하면서도 낮은 AUC를 통해 적대자 분류에서의 성능을 확보함으로써 강력한 공정성을 달성한다.
• TFR은 타겟 사용자 상호작용 데이터를 사용하지 않음에도 불구하고 전체 데이터 기준 모델과 유사한 추천 성능를 보이며, 이는 비지도 전이의 효과성을 입증한다.
• TFR의 지도 설정 변형은 비지도 설정 변형보다 더 뛰어난 공정성과 성능을 달성하여, 가용한 제한된 타겟 데이터를 통합할 경우의 이점이 있음을 보여준다.