Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
【IR Reading2022秋】 CPFair: Personalized Consumer...
Search
Yamato Hara
November 11, 2022
Research
1
270
【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
Yamato Hara
November 11, 2022
Tweet
Share
More Decks by Yamato Hara
See All by Yamato Hara
【論文ゼミ】Personalized Transfer of User Preferences for Cross-domain Recommendation
yamato0811
0
170
【論文ゼミ】SSE-PT: Sequential Recommendation Via Personalized Transformer
yamato0811
0
56
Other Decks in Research
See All in Research
自然言語とVision&Language
kuehara
20
4.9k
Online Nonstationary and Nonlinear Bandits with Recursive Weighted Gaussian Process
monochromegane
0
170
SSII2024 [OS2] 大規模言語モデルとVision & Languageのこれから
ssii
PRO
5
1.4k
SSII2024 [OS1] 画像認識におけるモデル・データの共進化
ssii
PRO
0
450
LLM based AI Agents Overview -What, Why, How-
masatoto
1
290
いしかわ暮らしセミナー~移住にまつわるお金の話~
matyuda
0
110
論文紹介/Expectations over Unspoken Alternatives Predict Pragmatic Inferences
chemical_tree
1
220
【ICASSP2024】音声変換に関する全論文まとめ【Parakeet株式会社】
supikiti
0
690
SSII2024 [SS1] 拡散モデルの今 〜 2024年の研究動向 〜
ssii
PRO
2
2.1k
「並列化時代の乱数生成」
abap34
1
270
クラウドソーシングによる学習データ作成と品質管理(セキュリティキャンプ2024全国大会D2講義資料)
takumi1001
0
160
出生抑制策と少子化
morimasao16
0
390
Featured
See All Featured
Dealing with People You Can't Stand - Big Design 2015
cassininazir
363
22k
GitHub's CSS Performance
jonrohan
1029
450k
RailsConf 2023
tenderlove
26
790
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
38
9.1k
A designer walks into a library…
pauljervisheath
201
24k
StorybookのUI Testing Handbookを読んだ
zakiyama
25
5k
How to train your dragon (web standard)
notwaldorf
85
5.6k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
88
15k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
225
22k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
45
4.8k
GraphQLの誤解/rethinking-graphql
sonatard
65
9.7k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
42
2k
Transcript
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
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
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︕
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
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
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
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
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
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
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
Appendix
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
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
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
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
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
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