[论文解读] Fairness-Aware Recommendation of Information Curators

Ziwei Zhu, Jianling Wang+2 more|arXiv (Cornell University)|Sep 9, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 35被引用 3

一句话总结

本文提出了一种面向社交媒体中信息策展人个性化推荐的公平感知张量分解框架，通过整合用户、策展人和主题之间的交互关系，在保持推荐质量的同时提升公平性。与基于矩阵的基线方法相比，该方法显著降低了不同人口群体中策展人曝光的偏差。

ABSTRACT

This paper highlights our ongoing efforts to create effective information curator recommendation models that can be personalized for individual users, while maintaining important fairness properties. Concretely, we introduce the problem of information curator recommendation, provide a high-level overview of a fairness-aware recommender, and introduce some preliminary experimental evidence over a real-world Twitter dataset. We conclude with some thoughts on future directions.

研究动机与目标

• 填补在多样化主题下推荐高质量内容策展人的个性化、公平推荐研究空白。
• 应对动态社交媒体环境中用户-策展人交互稀疏且异构的挑战。
• 通过缓解与性别、种族、政治立场或其他受保护属性相关的算法偏差，确保策展人推荐的公平性。
• 开发一种可扩展的统一框架，利用张量分解建模多模态关系（用户、策展人、主题）。
• 为在线平台中透明、可问责且公平地获取可信信息策展人提供基础。

提出的方法

• 将用户-策展人-主题交互建模为三维张量，以捕捉社交媒体中复杂且异构的关系。
• 应用张量分解（FT）学习用户、策展人和主题的低秩嵌入，实现个性化推荐。
• 在优化过程中引入公平性约束，以减少不同人口群体中策展人曝光的差异。
• 将基于矩阵的方法（如 OMC、RMC）扩展为基于张量的对应方法（如 OTC、RTC），以更好地建模多维交互。
• 使用统计独立性作为公平性度量，评估并约束策展人推荐结果中的偏差。
• 利用真实世界中的 Twitter 数据在稀疏性和异构性现实条件下进行模型训练与评估。

实验结果

研究问题

• RQ1 在稀疏且异构的社交媒体环境中，如何有效建模个性化信息策展人推荐？
• RQ2 与基于矩阵的方法相比，基于张量的分解在策展人推荐公平性方面能提升多少？
• RQ3 公平感知约束是否能在不显著降低推荐质量的前提下减少策展人曝光中的种族偏差？
• RQ4 不同的公平性标准（如统计独立性）如何影响策展人推荐系统的性能与公平性？
• RQ5 在个性化策展人推荐中，推荐准确率与公平性之间的权衡如何？

主要发现

• 基于张量的公平感知方法（FT）在公平性提升方面表现最佳，显著降低了不同人口群体中策展人曝光的偏差，优于基于矩阵的基线方法。
• FT 在公平性方面优于基于矩阵的方法（FM 对比 OMC），同时保持了相当的推荐质量，表明张量建模在处理异构数据方面具有优势。
• 所提出的公平感知方法（FT 和 FM）在处理稀疏且复杂的用户-策展人-主题交互时，比 OTC 和 RTC 更有效地减少了不公平性。
• 尽管推荐质量略低于 OTC，但所提方法（尤其是 FT）在公平性方面的提升使该权衡在伦理部署背景下极具优势。
• 基于真实 Twitter 数据集的实证结果表明，基于张量的模型能更好地捕捉多维关系，从而实现更均衡且个性化的策展人推荐。
• 本研究证明，在张量分解中集成公平性约束，是实现在社交媒体平台上公平获取可信信息策展人的可行路径。