TOIS 2022 | 面向用户和商品双侧流行性偏差的自适应公平推荐方法

科技

2023-02-21 05:02

©PaperWeekly 原创 · 作者 | 刘中舟

单位 | 新加坡管理大学博士生

研究方向 | 推荐系统

摘要

本文由来自 Singpore Management University 和 A*STAR 的作者提出了一种纠正流行性偏差（popularity bias）的个性化推荐方法 FAiR。

论文标题：

Mitigating Popularity Bias for Users and Items with Fairness-centric Adaptive Recommendation

论文地址：

https://dl.acm.org/doi/10.1145/3564286

流行性偏差是一种广泛存在于推荐系统中的、由于用户和商品分布不均衡而产生的一种不公平现象。具体而言，有些用户相比其他用户有更多的历史数据，这类“常客”通常可以获得更加准确的商品推荐，而拥有较少历史数据的“新客”则往往获得较差的推荐效果，从而导致用户满意度下降。类似地，新品或小众商品的曝光度也会显著低于受欢迎的长期销售的商品，从而导致部分卖家的不满。

相比于以往针对流行性偏差的研究，FAiR 在纠正流行性偏差上做到了兼顾用户侧和商品侧，它既能谋求不同组间的用户能获得相对公平的推荐效果，也能谋求不同组间的商品获得相对公平的曝光，最终做到公平推荐。

此外，考虑到不同的用户或商品的流行性偏差个体间存在差异，若对所有用户和商品采用固定的纠偏方法将无法达到个性化的目的。因此 FAiR 还能根据不同用户和商品的特征，自适应地调节模型参数，以灵活应对不同程度的流行性偏差。

实验表明，FAiR 能同时在用户侧和商品侧取得更加公平的推荐效果，同时其在推荐的准确度上相较传统的推荐系统模型仍不失竞争力。

简介

随着推荐系统的广泛应用，人们因其社会影响力，在准确性之外对推荐系统中的各类偏差（bias）亦愈发关注，流行性偏差（popularity bias）便是其一。流行性偏差对用户侧及商品侧的相应利益均有影响，如图1所示。

然而既往研究或只着眼于单一侧，或是用“两步走”的方式对两侧各自独立纠偏，未能将两者有机统一地结合看待。另外，传统纠偏模型大多采用全局固定模型，这样的模型缺乏个性化、忽视了用户或商品微观层面上在流行度的区别，以致于纠偏效果较差。

▲ 图1. 传统推荐系统中流行性偏差对用户和商品侧的影响

针对上述两点挑战，本文受到以往纠偏方法和元学习的启发，提出了 FAiR 方法，模型框架如图二所示。首先，针对传统模型未能结合看待两侧偏差的问题，本文拓展了以往基于对抗学习的纠偏模型框架，提出了两类 Fairness Discriminator 分别从局部角度和全局角度联合学习用户侧和商品侧存在的偏差。

其次，针对传统模型缺乏个性化的问题，本文进一步地在作为纠偏模型的生成器里集成了 FiLM 这一元学习网络，提出了 Adaptive Fairness Filter，以根据不同的输入用户/商品动态地改变模型参数，做到自适应个性化纠偏，增加模型的灵活性。最后，模型还包括一个 Base Recommendation Model，作为推荐系统为每一个用户-商品对进行评分。

▲ 图2. 方法框架

方法

本文的对抗学习框架由 Apdative Filter 和两组 Discriminator 组成。以下描述均以用户侧为例，商品侧的去偏计算是对称的。原始的用户特征输入到 Apdative Filter 后得到纠偏后的特征。需要注意的是，Apdative Filter 的参数是，它并非是由某个全局参数表示的，而是是由 FiLM 网络根据输入的原始用户特征生成的。

对纠偏后的用户特征，本文首先使用 Explicit Fairness Discriminator 判断其局部残余的流行性偏差。具体来说，Explicit Fairness Discriminator 是一个分类器，输入纠偏后的用户特征，输出该用户的所在的组。其损失函数如下：

其中和分别表示用户属于第组的真实标签和预测概率。在实际应用中，可以根据会影响用户/商品的流行性偏差的因素进行分组，例如年龄、性别、品牌、产地、是否常客、是否流行等。

然而，仅仅使用 Explicit Fairness Discriminator 并不能完全达到公平推荐，因为不同的用户的评分尺度并不一致：有些用户偏向于给所有商品打高分，有些用户偏向于给所有商品打低分。因此，即使 Apdative Filter 缓解了商品特征里的流行性偏差，最终的推荐系统仍然会给予某些商品不公平的曝光量。因此，本文进一步地提出了 Implicit Fairness Discriminator，用来约束不同用户间的评分尺度。

本文定义了两类评分尺度，和。其中作为参考尺度，定义为训练集内所有用户对商品的平均打分。相对应地，则是推荐系统预测的用户对商品的评分。给出一个采样，Implicit Fairness Discriminator 判断其采样自还是。其损失函数如下：

其中和分别表示采样属于哪个采样的真实值和预测值。同传统的对抗学习的训练过程一样，本文的模型训练也分成 D-step 和 G-step。首先训练两类 Discriminators，其综合损失函数如下：

然后训练 Adaptive Filter 和 Base Recommendation Model，其综合损失函数如下：

其中是传统推荐系统的损失函数，，和是平衡各损失函数的超参数。

实验结果

本文在 Amazon、Twitter 和 MovieLens 三个数据集上进行了实验，使用了三组评价指标，包括推荐准确度指标、，用户侧公平度指标和商品侧公平度指标、。

实验结果表明，相对传统的准确度指向的推荐系统和以往发布的一些纠偏模型，本文做到了既优化了用户侧的公平，又优化了商品侧的公平。此外，在准确度指标上，虽不及 SOTA 的以准确度为指向的推荐系统，但仍具有一定的竞争力。实验结果中公平度和准确度指标的变化也体现出来两类指标间存在 trade-off。实验结果如图三。