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
330
【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
280
【論文ゼミ】SSE-PT: Sequential Recommendation Via Personalized Transformer
yamato0811
0
130
Other Decks in Research
See All in Research
チャッドローン:LLMによる画像認識を用いた自律型ドローンシステムの開発と実験 / ec75-morisaki
yumulab
1
480
Combinatorial Search with Generators
kei18
0
350
最適決定木を用いた処方的価格最適化
mickey_kubo
4
1.7k
(NULLCON Goa 2025)Windows Keylogger Detection: Targeting Past and Present Keylogging Techniques
asuna_jp
2
540
数理最適化と機械学習の融合
mickey_kubo
15
8.9k
EOGS: Gaussian Splatting for Efficient Satellite Image Photogrammetry
satai
4
300
SSII2025 [TS2] リモートセンシング画像処理の最前線
ssii
PRO
7
2.9k
Computational OT #1 - Monge and Kantorovitch
gpeyre
0
190
学生向けアンケート<データサイエンティストについて>
datascientistsociety
PRO
0
3.5k
RapidPen: AIエージェントによるペネトレーションテスト 初期侵入全自動化の研究
laysakura
0
1.6k
Transparency to sustain open science infrastructure - Printemps Couperin
mlarrieu
1
190
90 分で学ぶ P 対 NP 問題
e869120
18
7.6k
Featured
See All Featured
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.4k
Documentation Writing (for coders)
carmenintech
72
4.9k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
44
2.4k
Six Lessons from altMBA
skipperchong
28
3.9k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
357
30k
Measuring & Analyzing Core Web Vitals
bluesmoon
7
510
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
251
21k
How to Ace a Technical Interview
jacobian
278
23k
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
30
2.1k
Building a Modern Day E-commerce SEO Strategy
aleyda
42
7.4k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
35
2.4k
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