[论文解读] Fairness-Aware Explainable Recommendation over Knowledge Graphs

Zuohui Fu, Yikun Xian+9 more|arXiv (Cornell University)|Jun 3, 2020

Explainable Artificial Intelligence (XAI)参考文献 43被引用 17

一句话总结

本文提出了一种面向知识图谱增强的可解释推荐系统的公平性感知启发式重排序方法，以缓解活跃用户与非活跃用户之间的性能差异和解释偏差。通过将用户活跃度水平整合进一个促进路径多样性和公平性的正则化框架，该方法在不牺牲推荐质量的前提下提升了推荐的公平性，其有效性已在真实世界数据集上通过最先进可解释推荐模型得到验证。

ABSTRACT

There has been growing attention on fairness considerations recently, especially in the context of intelligent decision making systems. Explainable recommendation systems, in particular, may suffer from both explanation bias and performance disparity. In this paper, we analyze different groups of users according to their level of activity, and find that bias exists in recommendation performance between different groups. We show that inactive users may be more susceptible to receiving unsatisfactory recommendations, due to insufficient training data for the inactive users, and that their recommendations may be biased by the training records of more active users, due to the nature of collaborative filtering, which leads to an unfair treatment by the system. We propose a fairness constrained approach via heuristic re-ranking to mitigate this unfairness problem in the context of explainable recommendation over knowledge graphs. We experiment on several real-world datasets with state-of-the-art knowledge graph-based explainable recommendation algorithms. The promising results show that our algorithm is not only able to provide high-quality explainable recommendations, but also reduces the recommendation unfairness in several respects.

研究动机与目标

• 解决可解释推荐系统中活跃用户与非活跃用户之间存在的公平性差异问题。
• 量化不同用户群体在推荐性能与解释多样性方面的不公平性。
• 开发一种公平性约束的重排序框架，以增强路径多样性并降低群体不公平性指标。
• 在缓解由数据不平衡和协同过滤引发的算法偏见的同时，维持高水平的推荐质量。
• 提供一种可实际应用、超参数可调的解决方案，适用于现有知识图谱增强的可解释推荐模型。

提出的方法

• 引入一种基于用户活跃度水平的公平性感知重排序机制，通过启发式正则化项调整推荐路径。
• 采用双组件公平性目标：一个用于路径多样性，一个用于排序质量，通过超参数 α 平衡两者。
• 应用自适应正则化以减少对热门用户-物品交互的过度依赖，尤其有利于非活跃用户。
• 将知识图谱推理路径作为可解释单元，确保推荐过程的透明性与可解释性。
• 将用户活跃度作为可见性的代理指标，实现在不依赖种族、性别等敏感属性的前提下施加公平性约束。
• 采用推荐性能（如 NDCG）与群体不公平性（GRU）指标的加权组合，指导优化过程。

实验结果

研究问题

• RQ1 用户不活跃如何导致可解释推荐系统中出现性能差异与解释偏差？
• RQ2 基于用户活跃度与路径多样性的重排序在多大程度上能提升推荐的公平性？
• RQ3 公平性感知的重排序方法是否能在降低群体不公平性的同时维持高水平的推荐质量？
• RQ4 不同超参数设置（α 与 β）如何影响公平性与性能之间的权衡？
• RQ5 所提出的方法能否为非活跃用户生成更多样化且具代表性的解释路径？

主要发现

• 所提出的公平性感知重排序方法在所有数据集上均一致降低了群体不公平性指标（GRU），优于所有基线方法。
• 在 Beauty 数据集上，该方法将 Top-k 列表中正确物品预测数量从 4 个提升至 6 个，且解释路径更具多样性和相关性。
• 当 α = 0.75 时，方法达到最佳平衡，将 GRU 降低至 3.211，同时保持高 NDCG（9.093）与 F1（6.929）（活跃用户）。
• 随着 α 从 0 增加至 1，推荐性能与 GRU 均略有下降，表明极端正则化会损害性能。
• 该方法成功为“面部清洁剂”示例生成了两个额外的相关物品，提升了推荐的覆盖范围与多样性。
• 即使在 α = 1.0 时（路径多样性最大化），GRU 仍低于基线水平，证实了公平性改善的持续性。