[论文解读] Personalizing Fairness-aware Re-ranking

Weiwen Liu, Robin Burke|arXiv (Cornell University)|Sep 9, 2018

Recommender Systems and Techniques参考文献 17被引用 39

一句话总结

本文提出了一种公平性感知的重排序算法（FAR），通过整合用户对多样性的个性化容忍度，在多利益相关者推荐系统中平衡推荐准确性与提供方公平性（P-fairness）。该方法通过加权权衡相关性与提供方覆盖度，迭代重排序项目，实现显著的公平性提升，同时仅造成最小的准确性损失，并能适应个体用户的多样性偏好。

ABSTRACT

Personalized recommendation brings about novel challenges in ensuring fairness, especially in scenarios in which users are not the only stakeholders involved in the recommender system. For example, the system may want to ensure that items from different providers have a fair chance of being recommended. To solve this problem, we propose a Fairness-Aware Re-ranking algorithm (FAR) to balance the ranking quality and provider-side fairness. We iteratively generate the ranking list by trading off between accuracy and the coverage of the providers. Although fair treatment of providers is desirable, users may differ in their receptivity to the addition of this type of diversity. Therefore, personalized user tolerance towards provider diversification is incorporated. Experiments are conducted on both synthetic and real-world data. The results show that our proposed re-ranking algorithm can significantly promote fairness with a slight sacrifice in accuracy and can do so while being attentive to individual user differences.

研究动机与目标

• 解决多利益相关者推荐系统（MRSs）中的公平性问题，其中用户和提供方均为关键利益相关者。
• 定义并实现提供方公平性（P-fairness），确保所有提供方的项目均有公平的曝光机会。
• 整合用户在多样性容忍度上的个体差异，实现个性化公平性集成。
• 设计一种与底层推荐模型无关的后处理重排序算法，适用于各类系统。
• 评估在保持用户个性化的同时，排名准确性与公平性之间的权衡。

提出的方法

• 该算法基于 xQuAD 构建重排序框架，xQuAD 是一种用于平衡相关性与新颖性的概率模型，扩展后引入了提供方覆盖度。
• 引入用户特定的权重因子，个性化公平性整合的程度，反映个体对多样性的容忍度。
• 将重排序建模为一个优化问题，平衡项目相关性与提供方覆盖度，通过权衡参数控制平衡程度。
• 提供方覆盖度通过在前 K 个排名列表中不同提供方的数量来衡量，旨在最大化提供方间的多样性。
• 该算法作为后处理步骤运行在任何现有推荐模型之上，保留其原始输出的同时增强公平性。
• 根据用户对非最优但多样化项目的实际容忍度，动态调整每个用户的公平性权重。

实验结果

研究问题

• RQ1 在多利益相关者推荐系统中，如何有效平衡提供方公平性（P-fairness）与推荐准确性？
• RQ2 个性化用户对多样性的容忍度在不显著降低排名准确性的情况下，能在多大程度上提升公平性？
• RQ3 后处理重排序方法是否能有效提升各提供方的公平性，同时与底层推荐算法无关？
• RQ4 整合用户特定的多样性容忍度如何影响公平性与准确性的权衡？
• RQ5 在相关性与提供方覆盖度之间调整权衡参数，对整体系统性能有何影响？

主要发现

• 所提出的 FAR 算法在合成数据集和真实世界数据集上均验证了其显著提升提供方公平性，同时仅造成轻微的推荐准确性损失。
• 整合个性化多样性容忍度可使结果更符合用户偏好，容忍度较高的用户获得更丰富的多样化结果。
• 该算法通过优先保障高相关性推荐，同时系统性提升代表性不足提供方的曝光，从而维持高相关性。
• 实验表明，重排序过程有效增加了前 K 个列表中不同提供方的数量，提升了所有提供方的公平性。
• 该方法在不同数据分布下表现出鲁棒性，即使底层推荐模型不具备公平性意识，依然有效。
• 结果证实，公平性可被增强而不损害用户满意度，尤其在个性化用户多样性容忍度时效果更显著。