[论文解读] CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems

Mohammadmehdi Naghiaei, Hossein A. Rahmani+1 more|arXiv (Cornell University)|Apr 17, 2022

Recommender Systems and Techniques被引用 4

一句话总结

该论文提出CPFair，一种与模型无关的重排序框架，通过将个性化公平性约束整合到统一的优化目标中，联合优化推荐系统中消费者与生产者的公平性。在八个数据集上的实验表明，CPFair在不牺牲推荐准确率的前提下，减少了用户与物品群体之间的公平性差异，证明了其在缓解双边市场中数据偏见方面的有效性。

ABSTRACT

Recently, there has been a rising awareness that when machine learning (ML) algorithms are used to automate choices, they may treat/affect individuals unfairly, with legal, ethical, or economic consequences. Recommender systems are prominent examples of such ML systems that assist users in making high-stakes judgments. A common trend in the previous literature research on fairness in recommender systems is that the majority of works treat user and item fairness concerns separately, ignoring the fact that recommender systems operate in a two-sided marketplace. In this work, we present an optimization-based re-ranking approach that seamlessly integrates fairness constraints from both the consumer and producer-side in a joint objective framework. We demonstrate through large-scale experiments on 8 datasets that our proposed method is capable of improving both consumer and producer fairness without reducing overall recommendation quality, demonstrating the role algorithms may play in minimizing data biases.

研究动机与目标

• 为解决现有公平性感知推荐系统中消费者与生产者公平性被分别处理、忽视在线市场双边性质的问题。
• 开发一个统一的公平性优化框架，同时提升推荐系统中用户（消费者）与物品（生产者）的公平性。
• 评估联合公平性优化是否能在保持或提升整体推荐质量与准确率的同时，减少公平性差异。
• 研究公平性约束（用户相关性、物品曝光）与系统级性能指标（如准确率与新颖性）之间的权衡。
• 提供一种与模型无关的重排序解决方案，可应用于任何预训练推荐模型，以增强公平性而无需重新训练。

提出的方法

• CPFair采用基于优化的重排序方法，通过修改任何预训练推荐模型的输出，使其满足公平性约束。
• 该方法构建了一个联合目标函数，通过两个正则化项最小化用户与物品群体之间的公平性差异：一项用于消费者公平性（用户相关性），另一项用于生产者公平性（物品曝光）。
• 核心优化问题由公式3定义，通过超参数λ₁和λ₂平衡推荐准确率（nDCG@10）、用户公平性（通过用户群体相关性衡量）以及物品公平性（通过物品群体曝光衡量）。
• 重排序过程基于从用户偏好与物品流行度中推导出的公平性感知得分，调整物品排名，确保代表性不足的用户与物品群体获得公平对待。
• 该方法具有与模型无关的特性，意味着可应用于协同过滤或基于深度学习的任何推荐模型的推理后阶段。
• 通过调节λ₁与λ₂的超参数，可控制公平性与准确率之间的权衡，消融实验表明λ₁主要影响用户公平性，λ₂则主要影响物品曝光与整体系统性能。

实验结果

研究问题

• RQ1 统一的公平性优化框架是否能在不降低整体推荐准确率的前提下，联合提升推荐系统中消费者与生产者的公平性？
• RQ2 对用户相关性与物品曝光施加的公平性约束如何相互作用？与nDCG与新颖性等系统级性能指标之间存在何种权衡？
• RQ3 仅优化单边公平性（如仅消费者或仅生产者）是否会引发另一利益相关群体的非预期不公平性？
• RQ4 不同底层数据特征（如用户活跃模式、物品流行度偏斜）如何影响公平性感知重排序方法的性能？
• RQ5 公平性与准确率之间的最优平衡是什么？超参数λ₁与λ₂如何影响这一权衡？

主要发现

• 在八个数据集中，CPFair将mCPF（多利益相关方消费者与生产者公平性）指标最高降低50%，表明在联合公平性方面有显著提升。
• 在Epinion与Gowalla数据集中，CPFair的mCPF值分别为3.1784与5.2617，显著低于所有基线模型与单边公平性模型。
• CP-fairness模型保持了具有竞争力的整体准确率（nDCG@10），其中基于PF的CP-fairness在Gowalla与Epinion数据集上实现了公平性与准确率的最佳平衡。
• NeuMF与VAECF模型虽准确率更高，但导致公平性差异加剧，尤其是对长尾物品，凸显了准确率与公平性之间的权衡。
• 消融实验表明λ₁主要影响用户公平性与整体准确率，而λ₂对物品曝光与公平性影响更强，过高的λ₂值会因长尾物品交互信号不足而损害准确率。
• 结果表明，联合公平性优化比单边方法更有效，因为单边方法在不同数据集上的表现不一致，受数据特征影响显著。