[论文解读] Multi-FR: A Multi-Objective Optimization Method for Achieving Two-sided Fairness in E-commerce Recommendation.

Haolun Wu, Chen Ma+3 more|arXiv (Cornell University)|May 6, 2021

Recommender Systems and Techniques参考文献 59被引用 7

一句话总结

本文提出 Multi-FR，一种多目标优化框架，用于在电子商务推荐系统中平衡消费者与生产者之间的公平性。通过利用多梯度下降生成帕累托集，并应用四种公平性约束，Multi-FR 在推荐质量损失最小的情况下提升了双方的公平性，优于现有最先进公平排序方法在真实世界数据集上的表现。

ABSTRACT

Two-sided marketplaces are an important component of many existing Internet services like Airbnb and Amazon, which have both consumers (e.g. users) and producers (e.g. retailers). Traditionally, the recommendation system in these platforms mainly focuses on maximizing customer satisfaction by recommending the most relevant items based on the learned user preference. However, it has been shown in previous works that solely optimizing the satisfaction of customers may lead to unfair exposure of items, which jeopardizes the benefits of producers. To tackle this problem, we propose a fairness-aware recommendation framework by using multi-objective optimization, Multi-FR, to adaptively balance the objectives between consumers and producers. In particular, Multi-FR adopts the multi-gradient descent to generate a Pareto set of solutions, where the most appropriate one is selected from the Pareto set. In addition, four fairness metrics/constraints are applied to make the recommendation results on both the consumer and producer side fair. We extensively evaluate our model on three real-world datasets, comparing with grid-search methods and using a variety of performance metrics. The experimental results demonstrate that Multi-FR can improve the recommendation fairness on both the consumer and producer side with little drop in recommendation quality, also outperforming several state-of-the-art fair ranking approaches.

研究动机与目标

• 解决传统推荐系统仅优先考虑用户满意度而造成物品曝光不均的问题。
• 在不损害消费者推荐质量的前提下，确保物品在生产者（如零售商）之间的公平曝光。
• 开发一个统一框架，同时优化双边市场中消费者与生产者的公平性。
• 使用真实世界电子商务数据集和多种性能指标，评估公平性感知优化的有效性。

提出的方法

• Multi-FR 采用多梯度下降生成帕累托解集，以平衡多个目标：用户满意度，以及消费者和生产者的公平性。
• 在优化过程中整合四种公平性度量或约束，以确保生产者之间物品曝光的均衡性。
• 基于公平性与推荐质量之间的权衡，从帕累托集中选择最合适的解。
• 使用三个真实世界电子商务数据集进行评估，与网格搜索基线方法及最先进公平排序方法进行对比。
• 优化过程设计为在提升双方公平性的同时保持较高的推荐准确率。
• 模型能够动态适应用户偏好准确率与公平性之间的权衡，支持在真实平台中的灵活部署。

实验结果

研究问题

• RQ1 多目标优化框架能否有效平衡电子商务推荐系统中消费者与生产者的公平性？
• RQ2 Multi-FR 在公平性与推荐质量方面相较于网格搜索方法和现有公平排序方法表现如何？
• RQ3 在不显著降低推荐性能的前提下，消费者与生产者公平性最多可提升多少？
• RQ4 应用四种不同的公平性约束对整体推荐公平性与系统性能有何影响？

主要发现

• 与基线方法相比，Multi-FR 在消费者与生产者公平性方面均实现显著提升，同时推荐质量损失极小。
• 该框架在平衡市场双方公平性方面优于多种最先进公平排序方法。
• 通过多梯度下降生成的帕累托集，有效实现了公平性与推荐准确率之间的权衡管理。
• 整合四种公平性度量使物品曝光更加均衡，降低了冷门物品曝光不足的风险。
• 在三个真实世界数据集上的实验结果表明，Multi-FR 在保持高推荐质量的同时，显著提升了双方的公平性。
• 该方法在多样化电子商务环境中表现出强鲁棒性，实现一致的公平性提升，且无需大量超参数调优。