[논문 리뷰] Multisided Fairness for Recommendation

Robin Burke|arXiv (Cornell University)|2017. 07. 01.

Recommender Systems and Techniques참고 문헌 12인용 수 90

한 줄 요약

이 논문은 소비자, 공급자, 플랫폼 간 다측면 공정성을 도입하여 추천 시스템의 공정성을 확장하고, 공정 인식 추천에 대한 분류 체계와 아키텍처를 제시한다.

ABSTRACT

Recent work on machine learning has begun to consider issues of fairness. In this paper, we extend the concept of fairness to recommendation. In particular, we show that in some recommendation contexts, fairness may be a multisided concept, in which fair outcomes for multiple individuals need to be considered. Based on these considerations, we present a taxonomy of classes of fairness-aware recommender systems and suggest possible fairness-aware recommendation architectures.

연구 동기 및 목표

• 개인화된 추천 맥락에서 기계 학습의 공정성에 대한 동기를 부여한다.
• 추천 플랫폼이 종종 다수의 이해관계자와 잠재적 공정성 충돌을 포함한다는 점을 강조한다.
• 어떤 이해관계자 그룹이 영향을 받는지에 따라 공정성 인식 추천 시스템의 분류 체계를 제안한다.
• 소비자, 공급자, 플랫폼 전반에 걸친 공정성을 달성하기 위한 아키텍처와 전략을 논의한다.

제안 방법

• 다측면 공정성을 정의하고 이해관계자 영향에 따라 시스템을 C-공정성, P-공정성, CP-공정성으로 분류한다.
• 플랫폼 양측의 공정성 문제를 설명하기 위해 예시 도메인(예: 고용, 대출, 마켓플레이스)을 설명한다.
• 개인화의 잠재적 감소와 도메인별 유틸리티의 필요성을 포함하여 공정성을 달성하기 위한 설계 고려사항을 논의한다.
• 공정한 결과를 구현하기 위한 관련 공정성 및 다양성 접근법(예: 다양성 인식 추천, 온라인 입찰)에 대한 비유를 제안한다.

실험 결과

연구 질문

• RQ1 추천 시스템이 다수의 이해관계자 그룹(소비자, 공급자, 플랫폼)을 대상으로 할 때 어떤 공정성 고려사항이 제기되는가?
• RQ2 어떤 측면이 보호되거나 우선순위가 주어지는지에 따라 공정성 인식 추천 시스템을 어떻게 분류할 수 있는가(C-공정성, P-공정성, CP-공정성)?
• RQ3 이해관계자 전반에 걸쳐 공정한 결과를 보장하면서도 전체 시스템 유용성을 해치지 않는 어떤 아키텍처나 메커니즘이 있는가?
• RQ4 다측면 공정성 원칙이 중요한 역할을 하는 도메인은 어디이며 실제로 어떻게 구현될 수 있는가?

주요 결과

• 추천에서의 공정성은 다측면적일 수 있으며 소비자, 공급자, 플랫폼에 영향을 준다.
• 다측면 공정성의 세 가지 분류가 확인된다: C-공정성(소비자), P-공정성(공급자), CP-공정성(양측 모두).
• P-공정성 고려사항에는 공급자 간의 공정한 분배 또는 다양성 보장을 포함하며, 동적 또는 경매 기반 메커니즘을 통해 가능하다.
• CP-공정성은 양측 모두에 공정성 고려가 필요한 상황을 다루며, 예를 들어 상호 추천과 같은 경우를 포함한다.
• 본 논문은 도메인 특수성과 개인화와 규제적 또는 윤리적 결과 간의 절충을 강조한다.
• 토론은 추천에서의 공정성 개념을 다양성, 입찰 및 공정한 표현에 관한 관련 연구와 연결한다.