[论文解读] ProFairRec: Provider Fairness-aware News Recommendation

Tao Qi, Fangzhao Wu+6 more|arXiv (Cornell University)|Apr 10, 2022

Recommender Systems and Techniques被引用 4

一句话总结

该论文提出 ProFairRec，一种面向新闻推荐的提供者公平性感知框架，通过学习与偏见无关的新闻和用户表征，减轻对少数新闻提供者的不公平现象。通过将提供者偏见分解为独立的公平与有偏表征，并结合对抗学习与正交正则化，ProFairRec 在公共基准上实现公平性提升的同时，未牺牲推荐准确性。

ABSTRACT

News recommendation aims to help online news platform users find their preferred news articles. Existing news recommendation methods usually learn models from historical user behaviors on news. However, these behaviors are usually biased on news providers. Models trained on biased user data may capture and even amplify the biases on news providers, and are unfair for some minority news providers. In this paper, we propose a provider fairness-aware news recommendation framework (named ProFairRec), which can learn news recommendation models fair for different news providers from biased user data. The core idea of ProFairRec is to learn provider-fair news representations and provider-fair user representations to achieve provider fairness. To learn provider-fair representations from biased data, we employ provider-biased representations to inherit provider bias from data. Provider-fair and -biased news representations are learned from news content and provider IDs respectively, which are further aggregated to build fair and biased user representations based on user click history. All of these representations are used in model training while only fair representations are used for user-news matching to achieve fair news recommendation. Besides, we propose an adversarial learning task on news provider discrimination to prevent provider-fair news representation from encoding provider bias. We also propose an orthogonal regularization on provider-fair and -biased representations to better reduce provider bias in provider-fair representations. Moreover, ProFairRec is a general framework and can be applied to different news recommendation methods. Extensive experiments on a public dataset verify that our ProFairRec approach can effectively improve the provider fairness of many existing methods and meanwhile maintain their recommendation accuracy.

研究动机与目标

• 解决由用户行为数据中的偏见导致的新闻推荐中提供者不公平问题。
• 开发一种通用框架，在不损害推荐准确性的情况下提升公平性。
• 学习与提供者无关的公平表征，同时保留用户与新闻的偏好。
• 通过表征解耦与对抗正则化，确保少数新闻提供者获得公平曝光。
• 实现与现有推荐模型的集成，以在多种架构中增强公平性。

提出的方法

• 利用内容与提供者ID输入，将新闻表征分解为提供者公平与提供者有偏的组成部分。
• 通过聚合用户点击历史，同时结合公平与有偏表征，学习提供者公平与有偏的用户表征。
• 在推理阶段仅使用提供者公平表征进行用户-新闻匹配，以确保公平性。
• 应用对抗学习，使不同提供者的公平新闻表征难以区分，从而减少偏见编码。
• 通过正则化强制提供者公平与有偏表征之间的正交性，以改善解耦效果。
• 将该框架作为即插即用的解决方案集成到现有推荐模型中，保持模型无关的灵活性。

实验结果

研究问题

• RQ1 通用框架是否能在不降低推荐准确性的情况下提升新闻推荐中的提供者公平性？
• RQ2 表征解耦在分离与提供者偏见无关的信号方面有多有效？
• RQ3 对抗学习在减少公平表征中的提供者偏见方面效果如何？
• RQ4 正交正则化如何促进公平表征中的偏见减少？
• RQ5 在调整对抗损失权重时，公平性与推荐性能之间存在何种权衡？

主要发现

• ProFairRec 在 MIND 数据集上显著提升了多种 SOTA 新闻推荐模型的提供者公平性。
• 消融实验表明，移除提供者有偏表征会损害公平性，证实其在解耦过程中的关键作用。
• 对抗学习通过减少公平表征中的提供者信息提升了公平性，且随着对抗损失权重增加，性能持续改善。
• 正交正则化通过更有效地分离表征中的偏见与非偏见信号，提升了公平性。
• 公平性与准确性之间存在权衡：更高的对抗损失权重可提升公平性，但会降低推荐性能。
• ProFairRec 在实现显著公平性提升的同时保持了高推荐准确性，证明其在不同推荐架构中的泛化能力。