[논문 리뷰] Improving Recommendation Fairness via Data Augmentation

Lei Chen, Wu Le외 6명|arXiv (Cornell University)|2023. 02. 13.

Recommender Systems and Techniques인용 수 6

한 줄 요약

이 논문은 두 가지 가설에 기반해 합성된 사용자-아이템 상호작용을 생성함으로써 추천 공정성을 향상시키는 데이터 증강 프레임워크 FDA를 제안한다: 한 그룹의 사용자들이 다른 그룹의 사용자들과 유사한 아이템 선호도를 가진다. 이중 최적화를 통해 공정한 학습 데이터를 생성함으로써, 사전 정의된 공정성 지표가 필요 없이도 다양한 추천 모델에서 실세계 데이터셋에서 우수한 정확도-공정성 트레이드오프를 달성한다.

ABSTRACT

Collaborative filtering based recommendation learns users' preferences from all users' historical behavior data, and has been popular to facilitate decision making. R Recently, the fairness issue of recommendation has become more and more essential. A recommender system is considered unfair when it does not perform equally well for different user groups according to users' sensitive attributes~(e.g., gender, race). Plenty of methods have been proposed to alleviate unfairness by optimizing a predefined fairness goal or changing the distribution of unbalanced training data. However, they either suffered from the specific fairness optimization metrics or relied on redesigning the current recommendation architecture. In this paper, we study how to improve recommendation fairness from the data augmentation perspective. The recommendation model amplifies the inherent unfairness of imbalanced training data. We augment imbalanced training data towards balanced data distribution to improve fairness. The proposed framework is generally applicable to any embedding-based recommendation, and does not need to pre-define a fairness metric. Extensive experiments on two real-world datasets clearly demonstrate the superiority of our proposed framework. We publish the source code at https://github.com/newlei/FDA.

연구 동기 및 목표

• 불균형한 학습 데이터로 인해 발생하는 협업 필터링 추천기의 공정성 격차를 해결하기 위해.
• 사전 정의된 공정성 지표나 아키텍처 변경 없이도 공정성을 향상시키기 위해.
• 데이터 증강이 추천 시스템에서 그룹 기반의 공정성 편향을 효과적으로 완화할 수 있는지 탐색하기 위해.
• 임베딩 기반 추천 모델이라면 어떤 모델에도 적용 가능한 일반 목적의 프레임워크를 개발하기 위해.

제안 방법

• 두 가지 가설을 제안한다: (1) 한 그룹의 사용자들이 다른 그룹의 사용자들과 유사한 클릭/비클릭 선호도를 가진다; (2) 비클릭 선호도에도 동일한 원칙이 적용된다.
• 이 가설들을 활용해 민감한 그룹 간 학습 데이터 분포를 균형 잡기 위해 합성(가짜) 사용자-아이템 상호작용을 생성한다.
• 이중 최적화를 적용한다: 내부 루프는 개선된 가짜 데이터를 생성하고, 외부 루프는 증강된 데이터(실제 + 가짜)로 추천 모델을 훈련시킨다.
• 모델 아키텍처를 수정하지 않고도 BPR 및 GCCF와 같은 임베딩 기반 추천 모델에 이 프레임워크를 적용할 수 있다.
• 상위-K 추천에서 사용자 그룹 간 아이템 분포의 차이를 비교함으로써 제닝-숄린 발산(Jensen-Shannon divergence)을 사용해 공정성을 측정한다.
• 명시적인 공정성 정규화나 민감한 속성의 분리가 필요 없어, 모델에 종속되지 않으며 쉽게 구현할 수 있다.

Figure 1. The overall architecture of the proposed FDA framework. By not changing the recommendation model, our key idea is to improve data balance between different user groups via data augmentation. For each real data $(u_{0},i,r)$ of user $u_{0}$ ( $u_{0}\in G_{0}$ ), item $i$ , and the implicit

실험 결과

연구 질문

• RQ1 추천 모델을 수정하지 않고 데이터 증강이 추천 시스템의 공정성 격차를 효과적으로 줄일 수 있는가?
• RQ2 교차 그룹 간 선호도 유사성에 대한 제안된 가설이 공정성 향상에 어떤 영향을 미치는가?
• RQ3 이중 최적화 프레임워크는 다양한 모델 간 추천 정확도와 공정성의 균형을 어느 정도까지 달성할 수 있는가?
• RQ4 생성된 가짜 상호작용의 수가 공정성-정확도 트레이드오프에 어떤 영향을 미치는가?

주요 결과

• FDA는 실세계 데이터셋인 MovieLens와 LastFM에서 제닝-숄린 발산을 통해 측정한 공정성 격차를 크게 줄였다.
• LastFM에서 FDA는 BPR의 상위-20 추천에서 JS 발산을 0.4842에서 0.3618으로, GCCF에서는 0.4879에서 0.3721로 감소시켜 강력한 공정성 향상을 보였다.
• LastFM에서 BPR의 경우 가짜 데이터 비율 최적값은 0.3, GCCF의 경우 0.4로, 공정성과 정확도를 균형 잡는 데 기여했다.
• 절단 실험을 통해 두 가설이 독립적으로나 함께 작용할 때 모두 기여하며, 전체 프레임워크가 단일 가설 버전보다 우수한 성능을 보였다.
• 기본 모델(BPR)의 정확도가 낮더라도 FDA는 정확도를 유지하거나 약간 향상시키면서도 공정성을 크게 향상시켰다.
• BPR 및 GCCF와 같은 다양한 추천 백본에서 효과를 보여 프레임워크의 일반화 가능성과 강건성을 확인했다.

Figure 2. Performance under different ratios on LastFM.