[论文解读] Transferable Fairness for Cold-Start Recommendation

Yunqi Li, Dingxian Wang+2 more|arXiv (Cornell University)|Jan 25, 2023

Recommender Systems and Techniques被引用 4

一句话总结

本文提出了一种迁移学习框架 TFR，将来自活跃用户（源域）的反事实公平性与推荐性能迁移至冷启动用户（目标域）。通过整合对抗性学习，TFR 从用户嵌入中解耦敏感属性，从而在无需目标用户交互数据的情况下，实现对冷启动用户的高公平性与改进的推荐准确率。

ABSTRACT

With the increasing use and impact of recommender systems in our daily lives, how to achieve fairness in recommendation has become an important problem. Previous works on fairness-aware recommendation mainly focus on a predefined set of (usually warm-start) users. However, recommender systems often face more challenging fairness issues for new users or cold-start users due to their insufficient amount of interactions. Therefore, it is essential to study whether the trained model still performs fairly for a new set of cold-start users. This paper considers the scenario where the recommender system meets new users who only have limited or even no interaction with the platform, and aims at providing high-quality and fair recommendations to such users effectively. The sufficient interaction data from warm users is treated as the source user domain, while the data from new users is treated as the target user domain, and we consider to transfer the counterfactual fairness from the source users to the target users. To this end, we introduce a framework to achieve transferable counterfactual fairness in recommendation. The proposed method is able to transfer the knowledge of a fair model learned from the source users to the target users with the hope of improving the recommendation performance and keeping the fairness property on the target users. Experiments on two real-world datasets with representative recommendation algorithms show that our method not only promotes fairness for the target users, but also outperforms comparative models in terms of recommendation performance.

研究动机与目标

• 解决冷启动用户在公平性感知推荐中的差距，因其缺乏足够的交互数据。
• 将公平性属性——特别是反事实公平性——从活跃用户（源域）迁移至冷启动用户（目标域）。
• 在确保公平性的前提下，保持冷启动用户推荐性能的高水平。
• 开发一种方法，无需目标用户交互数据，实现在无监督设置下的公平性与实用性迁移。

提出的方法

• 利用源域中拥有丰富交互数据的活跃用户，训练一个反事实公平的推荐模型。
• 整合对抗性学习，使用户表征对敏感属性（如性别）保持不变，从而确保反事实公平性。
• 联合训练推荐模型与判别器，以从用户嵌入中解耦敏感特征，同时保留推荐效用。
• 通过领域自适应，将公平模型从源域迁移至目标用户，无需在无监督设置下对目标用户数据进行微调。
• 在有监督设置下，引入有限的目标用户交互数据，以进一步提升推荐性能，同时保持公平性。
• 使用判别器评估公平性，通过其预测敏感属性的能力衡量；AUC 值较低表示公平性较高。

实验结果

研究问题

• RQ1 能否在无目标用户交互数据的前提下，有效将从活跃用户学到的反事实公平性迁移至冷启动用户？
• RQ2 将源域用户的知识迁移至目标用户是否能提升冷启动用户的推荐性能？
• RQ3 在无监督与有监督设置下，所提方法与基线方法相比，在保持公平性与推荐准确率方面表现如何？
• RQ4 对抗性解耦敏感属性与用户嵌入在多大程度上能确保冷启动场景下的反事实公平性？

主要发现

• TFR 在对抗性攻击中对敏感属性预测的 AUC 分数接近 0.5，表明用户嵌入与敏感特征几乎无关，从而确保了反事实公平性。
• 在无监督设置下，TFR 超过仅在源数据上训练的基线模型，也优于大多数仅在目标数据上训练的基线模型，证明了推荐性能的有效迁移。
• 在有监督设置下，TFR 在所有评估指标上均优于所有基线模型，甚至优于在源与目标数据联合训练的模型，证实了其在性能与公平性方面的优越性。
• 该模型在实现强公平性的同时，保持了高水平的推荐质量（以 AUC 等指标衡量），这通过判别器分类的低 AUC 值得到验证。
• 尽管未使用目标用户交互数据，TFR 在推荐性能上与全数据基线模型表现相当，证明了无监督迁移的有效性。
• 有监督版本的 TFR 在公平性与性能上均优于无监督版本，表明在可用时引入有限目标数据具有显著优势。