[论文解读] GNNUERS: Fairness Explanation in GNNs for Recommendation via Counterfactual Reasoning

Giacomo Medda, Francesco� Fabbri+3 more|arXiv (Cornell University)|Apr 12, 2023

Recommender Systems and Techniques被引用 4

一句话总结

GNNUERS 是一种新颖的反事实解释框架，通过扰动二部图结构以最小化人口群体间的效用差异，识别基于图神经网络（GNN）的推荐系统中的不公平用户-物品交互。该方法在四个真实世界数据集上成功解释了三种最先进GNN模型中的不公平性，揭示了与性别和年龄相关的公平性差异的交互模式。

ABSTRACT

Nowadays, research into personalization has been focusing on explainability and fairness. Several approaches proposed in recent works are able to explain individual recommendations in a post-hoc manner or by explanation paths. However, explainability techniques applied to unfairness in recommendation have been limited to finding user/item features mostly related to biased recommendations. In this paper, we devised a novel algorithm that leverages counterfactuality methods to discover user unfairness explanations in the form of user-item interactions. In our counterfactual framework, interactions are represented as edges in a bipartite graph, with users and items as nodes. Our bipartite graph explainer perturbs the topological structure to find an altered version that minimizes the disparity in utility between the protected and unprotected demographic groups. Experiments on four real-world graphs coming from various domains showed that our method can systematically explain user unfairness on three state-of-the-art GNN-based recommendation models. Moreover, an empirical evaluation of the perturbed network uncovered relevant patterns that justify the nature of the unfairness discovered by the generated explanations. The source code and the preprocessed data sets are available at https://github.com/jackmedda/RS-BGExplainer.

研究动机与目标

• 解决基于GNN的推荐系统中不公平性可解释性的缺失问题，特别是超越特征层面的解释。
• 开发一种不依赖用户或物品特征，而通过特定用户-物品交互来解释不公平性的方法。
• 使系统设计者能够理解哪些交互导致了受保护群体与非受保护群体之间的差异。
• 提供一种反事实框架，识别出移除后可导致更公平推荐的最少交互集合。
• 确保解释基于图拓扑结构，利用用户-物品交互网络的二部图特性。

提出的方法

• 将用户不公平性解释问题形式化为反事实问题：寻找原始二部图的一个扰动版本，以减少受保护群体与非受保护群体之间的效用差异。
• 将用户-物品交互表示为二部图中的边，用户和物品作为节点，并使用扰动向量来建模边的移除。
• 通过可微分松弛方法优化扰动向量，以人口均等原则为指导，最小化公平性差异。
• 利用GNN的拓扑结构识别出哪些交互在被移除后可带来更公平的推荐，重点关注边级别的变化。
• 整合图属性（例如，度数、二元组数量、逆测地距离）以解释所识别的边，并生成人类可读的解释。
• 在四个真实世界数据集上的三种最先进GNN推荐模型中应用该框架，通过效用差异度量验证公平性的提升。

Figure 1. GNNUERS updates the perturbation vector such that the removed user-item interactions from the graph lead the trained GNN to generate fairer recommendations. The perturbation vector represents the counterfactual explanation of the prior unfairness across demographic groups.

实验结果

研究问题

• RQ1 哪些特定的用户-物品交互导致了基于GNN的推荐系统中的不公平推荐？
• RQ2 反事实图扰动是否能有效解释GNN中的不公平性，而无需依赖用户或物品特征？
• RQ3 所识别的交互如何与图的结构属性（如用户受欢迎程度或网络接近度）相关联？
• RQ4 GNNUERS在保持推荐质量的同时，能在多大程度上减少不同人口群体（如性别、年龄）之间的效用差异？
• RQ5 该框架是否可推广至不同的GNN架构和多群体公平性设置？

主要发现

• GNNUERS 成功识别出一组用户-物品交互，其移除可使三种最先进GNN推荐模型的推荐结果更加公平。
• 该方法揭示，在ML-1M数据集中，不公平性主要由互动频率低的孤立男性用户及其对小众电影的偏好所驱动。
• 在LFM-1K数据集中，不公平性源于低度数、低接近度的女性用户与高度数、高接近度的男性用户的组合，表明存在结构性偏见。
• 实证评估表明，扰动后的图揭示了不公的一致性模式，解释基于图拓扑结构和用户行为。
• 该框架在四个真实世界数据集（包括MovieLens、Last.FM及其他两个）上表现出稳健性，适用于不同的人口群体分布。
• GNNUERS 提供了可解释的、基于边的解释，超越了特征层面的解释，为公平性缓解提供了可操作的洞察。

Figure 2. Distribution of $\Delta$ NDCG between younger and older users subgroups, randomly sampled 100 times. A Wilcoxon signed-rank test is performed between each pair of boxes and the respective p-value is shown if it is lower than $\frac{0.05}{m}$ according to the Bonferroni correction, where $m