[论文解读] Equality of Voice: Towards Fair Representation in Crowdsourced Top-K Recommendations

Abhijnan Chakraborty, Gourab K Patro+3 more|arXiv (Cornell University)|Nov 21, 2018

Recommender Systems and Techniques参考文献 34被引用 6

一句话总结

本文提出了一种更公平的众包Top-K推荐方法——通过将推荐问题建模为使用单转移投票制（STV）的多赢家选举。通过个性化排序模型推断沉默用户偏好，STV确保了比例代表制并抵抗操纵，显著降低了人口统计偏差，促进多数人偏好的项目，同时排除高度不受欢迎的边缘内容。

ABSTRACT

To help their users to discover important items at a particular time, major websites like Twitter, Yelp, TripAdvisor or NYTimes provide Top-K recommendations (e.g., 10 Trending Topics, Top 5 Hotels in Paris or 10 Most Viewed News Stories), which rely on crowdsourced popularity signals to select the items. However, different sections of a crowd may have different preferences, and there is a large silent majority who do not explicitly express their opinion. Also, the crowd often consists of actors like bots, spammers, or people running orchestrated campaigns. Recommendation algorithms today largely do not consider such nuances, hence are vulnerable to strategic manipulation by small but hyper-active user groups. To fairly aggregate the preferences of all users while recommending top-K items, we borrow ideas from prior research on social choice theory, and identify a voting mechanism called Single Transferable Vote (STV) as having many of the fairness properties we desire in top-K item (s)elections. We develop an innovative mechanism to attribute preferences of silent majority which also make STV completely operational. We show the generalizability of our approach by implementing it on two different real-world datasets. Through extensive experimentation and comparison with state-of-the-art techniques, we show that our proposed approach provides maximum user satisfaction, and cuts down drastically on items disliked by most but hyper-actively promoted by a few users.

研究动机与目标

• 解决非个性化、众包Top-K推荐中的公平性问题，例如Twitter趋势或热门新闻故事。
• 识别能确保项目选择中比例代表制和反多数公平性的选举机制。
• 在无法要求所有用户提交完整偏好排名的现实系统中，实现STV的实际部署。
• 考虑未明确投票但仍有偏好的沉默多数群体。
• 通过以公平为导向的投票机制，减少推荐系统中的人口统计偏差和策略性操纵。

提出的方法

• 将Top-K推荐建模为多赢家选举过程，其中项目为候选人，用户偏好为选票。
• 采用单人可转移投票制（STV）机制，该机制以比例代表制和对极端候选人的抗性等公平特性著称。
• 利用现有的个性化推荐模型推断沉默用户的完整偏好排名，避免直接获取用户输入。
• 使用Twitter和Adressa的真实世界数据模拟并比较STV与多数制投票及其他机制。
• 在使用推断排名的前提下应用STV选择Top-K项目，确保满足公平性标准，而无需所有用户提交完整排名。
• 通过人口统计偏差指标和用户满意度评估公平性，将STV与最先进推荐方法进行比较。

实验结果

研究问题

• RQ1 将Top-K推荐建模为多赢家选举是否能提升公平性并减少人口统计偏差？
• RQ2 STV在促进反映更广泛人群偏好的项目方面，是否优于基于多数制的投票和现有推荐系统？
• RQ3 如何有效推断沉默用户的偏好排名，以使STV在现实系统中具有可行性？
• RQ4 STV在多大程度上能抵抗小规模、高度活跃用户群体或机器人造成的操纵？
• RQ5 STV-based推荐能否在最小化推广高度不受欢迎但被过度推广内容的同时，实现更高的用户满意度？

主要发现

• 与Twitter原生算法和多数制投票系统相比，基于STV的推荐显著降低了人口统计偏差。
• STV机制实现了比例代表制，确保大多数用户至少有一项其偏好的主题被包含在Top-K列表中。
• STV有效拒绝了被小规模活跃用户群体频繁推广的、高度不受欢迎的极端主题。
• 该方法通过要求项目推广获得广泛且分散的支持，降低了机器人和有组织宣传活动的影响。
• 用户满意度在STV下达到最大化，表现为推荐项目与沉默多数群体偏好的对齐程度显著提高。
• 在Twitter和Adressa数据集上的实证评估证实，STV*（使用推断偏好）在公平性和代表性方面优于WV和TT方法。