[论文解读] TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers

Yao Wu, Jian Cao+2 more|arXiv (Cornell University)|Apr 19, 2021

Recommender Systems and Techniques参考文献 24被引用 10

一句话总结

TFROM 是一种双面公平感知推荐模型，通过离线和在线场景的后处理启发式方法，同时优化客户（推荐质量的个体公平性）和提供方（物品曝光的群体公平性）的公平性。在真实世界数据集上，与基线方法相比，TFROM 在推荐质量损失最小的情况下实现了更优的双面公平性。

ABSTRACT

At present, most research on the fairness of recommender systems is conducted either from the perspective of customers or from the perspective of product (or service) providers. However, such a practice ignores the fact that when fairness is guaranteed to one side, the fairness and rights of the other side are likely to reduce. In this paper, we consider recommendation scenarios from the perspective of two sides (customers and providers). From the perspective of providers, we consider the fairness of the providers' exposure in recommender system. For customers, we consider the fairness of the reduced quality of recommendation results due to the introduction of fairness measures. We theoretically analyzed the relationship between recommendation quality, customers fairness, and provider fairness, and design a two-sided fairness-aware recommendation model (TFROM) for both customers and providers. Specifically, we design two versions of TFROM for offline and online recommendation. The effectiveness of the model is verified on three real-world data sets. The experimental results show that TFROM provides better two-sided fairness while still maintaining a higher level of personalization than the baseline algorithms.

研究动机与目标

• 解决推荐系统中客户与提供方之间公平性失衡的问题，即优化一方往往会对另一方造成损害。
• 为提供多个物品的提供方建模公平性，确保其物品在群体层面的公平性。
• 通过最小化客户间推荐质量差异，确保客户之间的个体公平性。
• 设计一种可扩展的后处理方法，适用于现有推荐系统在离线和在线场景中的应用。
• 通过实证验证，双面公平性可在不显著牺牲推荐质量的前提下实现。

提出的方法

• TFROM 将多目标优化问题形式化，以平衡推荐质量、客户公平性（NDCG 方差）和提供方公平性（曝光方差与曝光-相关性比率）。
• 提出两种变体：用于批量处理的 TFROM-offline 和用于流式客户请求的 TFROM-online。
• 在提供方公平性方面，采用位置感知的曝光度量，考虑了排名靠前的物品获得更多关注的事实，不同于以往研究假设曝光均匀的设定。
• 应用启发式后处理算法对推荐结果重新排序，确保提供方之间曝光公平，同时保持相关性。
• 使用质量加权公平性和均匀公平性作为两种不同的提供方公平性目标，以评估模型鲁棒性。
• 该算法设计为可与任何现有推荐模型兼容，便于在真实系统中轻松集成。

实验结果

研究问题

• RQ1 推荐系统能否在不损害个性化的情况下，同时实现对客户和提供方的公平性？
• RQ2 引入提供方公平性（尤其是当提供方提供多个物品时）如何影响客户公平性和推荐质量？
• RQ3 在离线和在线推荐设置中，推荐质量、客户公平性和提供方曝光公平性之间的权衡关系如何？
• RQ4 基于位置的曝光效应如何影响公平性度量，以及如何有效建模这些效应？
• RQ5 后处理方法能否在多样化的真实世界数据集中有效平衡双面公平性？

主要发现

• 与基线相比，TFROM-online 在公平性与推荐质量之间实现了更优的平衡，整体推荐质量仅略有下降，接近 Top-k 方法。
• 客户公平性（以 NDCG 方差衡量）随时间趋于稳定，并达到优于其他算法的水平，表明长期推荐中公平性表现一致。
• TFROM-online 显著提升了提供方曝光公平性，尤其在质量加权公平性目标下，比 Top-k 和其他基线方法更有效地降低了曝光方差。
• 基于整数线性规划（ILP）的方法因解空间受限，优化能力有限，表明启发式后处理在在线公平性方面更有效。
• TFROM-online-Quality-Weighted 在提供方之间实现了最一致且公平的曝光分布，优于均匀公平和非公平基线方法。
• 在 Ctrip、Google 和 Amazon 数据集上的结果表明，TFROM 在保持高个性化的同时，无论在离线还是在线场景中，均实现了更优的双面公平性。