【IR Reading2022秋】 CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems

IR Reading 2022秋 論文紹介
紹介論文: https://arxiv.org/abs/2204.08085

Transcript

1. 原 弥⿇⼈ CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems IR Reading 2022秋 2022/11/12 筑波⼤学 Naghiaei, Mohammadmehdi, Hossein A. Rahmani, and Yashar Deldjoo. SIGIR2022
2. 論⽂の概要 l 別々に扱われることが多かったアイテムとユーザーの公平性を 同時に最適化することの重要性を指摘 l プラットフォーム上の消費者、提供者の両⽅の公平性を最適化 （CP-fairness）を⾏う再ランキング⼿法を提案 l 8つのデータセットでの実験の結果、消費者-提供者の公平性を ⾼めつつ精度を向上させることを実証 2
3. CP-Fairnessとは 3 消費者 プラットフォームの 推薦システム 提供者 消費者・提供者が望むこと 良いアイテムを⾒つけたい︕ ⾃分のアイテムを⾒つけてほしい︕
4. CP-Fairnessとは 4 消費者 プラットフォームの 推薦システム 提供者 実際には ⼀部の提供者のアイテム だけ表⽰されやすい ⼀部のユーザーが良い 推薦を受けやすい 消費者・提供者の両⽅を公平にしたい︕ バイアスの発⽣
5. 公平性を考慮しないモデルの場合 5 アクティブなユーザーが⾮アクティブ なユーザーよりもはるかに⾼い性能 消費者サイド 提供者サイド Short-head(⼈気)アイテムがLong-tail(不⼈気) アイテムより表⽰割合がはるかに⾼い 消費者・提供者の両⽅で不公平な状況が発⽣
6. 提案⼿法 6 公平性指標 : 消費者 提供者 ･･･ Activeなユーザーグループ ･･･ Inactiveなユーザーグループ Binaryの推薦⾏列 精度(nDCG, Recallなど) ･･･ 表⽰回数の多いアイテムグループ ･･･ 表⽰回数の少ないアイテムグループ アイテムの表⽰回数 値が⼩さいほど公平
7. 提案⼿法 7 再ランキングアルゴリズム 𝒊𝟏 𝒊𝟐 ･･･ 𝒊𝑲 𝒖𝟏 1 1 ･･･ 0 𝒖𝟐 0 0 ･･･ 1 ･･･ ･･･ ･･･ 0 𝒖𝒏 0 0 0 1 最適化問題 制約条件 消費者の公平性 提供者の公平性 式全体を最⼤化する2値⾏列𝑨を求める ⾏列𝑨のイメージ 全体の満⾜度最⼤化 (通常の推薦) 𝑆!" : ユーザーとアイテムの関連度スコア 𝜆# , 𝜆$ : 公平性を制御するハイパーパラメータ 0 ≤ 𝜆! , 𝜆" ≤ 1 推薦モデルによって事前に取得 貪欲法を⽤いることで多項式時間で解くことが可能
8. 実験設定 8 データセット ベースライン • PF • WMF • NueMF • VAECF グループ分け : アクティビティ上位5%をactive、残りをinactive ⼈気アイテム上位20%をshort-head、残りのアイ テムをlong-tail : 評価指標 𝐷𝐶𝐹 : 𝐷𝑃𝐹 : 𝑚𝐶𝑃𝐹 : 消費者の公平性 提供者の公平性 両者の公平性 𝑤 = 0.5 ハイパーパラメータ
9. 結果 9 ※ スペースの都合上Epinionのみ 精度を犠牲にせずに両者の公平性を改善 両者の公平性 精度 両者の公平性
10. まとめ 10 l 消費者・提供者の両⽅の視点から公平性を考慮した再ランキング ⼿法を提案 l 推薦精度を低下させることなく公平性を保つことができる CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems
11. Appendix
12. 公平性に関する研究 12 消費者・提供者の両⽅ 公平な推薦システムに関する研究の種類 公平性の研究で消費者・提供者両⽅着⽬した 研究は少ない (改善アルゴリズムに関してはわずか3.6%) 消費者 提供者
13. Fair Re-ranking 13 • この研究では採⽤しない(紹介のみ) • 0 ≤ 𝐴!" ≤ 1と制約を緩和することで 多項式時間で解くことが可能 アルゴリズム1 𝑨∗を求める
14. Fair Re-ranking Greedy 14 アルゴリズム2 • この研究で採⽤ • 最悪計算量は𝑂(𝑛 × 𝑁) 公平なレコメンドリスト𝑳𝑲 𝑭 (𝒖)を求める
15. 結果 15 • 推薦アルゴリズムによってバ イアスを増幅しやすいものが ある • P-fairnessの最適化はmCPFを 減少させやすい • CP-fairnessアルゴリズムは精 度を落とさず公平性を実現で きる
16. 全データセットでの結果 16 推薦精度とmCPF nDCG@10 全データセットにおいて同等の精度と⾼い公平性
17. パラメータ𝜆の影響 17 𝜆が⼤きくなる → 公平になるが精度の低下 𝜆が⼩さくなる → 公平性が低下するが精度が増加 トレードオフ 𝜆# : 消費者 𝜆$ : 提供者 「精度中⼼」の挙動 「露出中⼼」の挙動 アイテムの露出はあまり変わらない 精度とアイテムの露出両⽅に影響