Optimizing generalized Gini indices for fairness in rankings

要約

アイテムの生産者や満足度の低いユーザーに対して公正であることを目的としたレコメンデーション システムの設計への関心が高まっています。
経済学における不平等測定の領域に触発されたこの論文では、推奨システムが最適化すべき規範的基準を指定する手段として、一般化されたジニ厚生関数 (GGF) の使用について検討します。
GGF は、集団内のランクに応じて個人に重みを付け、より悪い状態の個人により多くの重みを与えて平等を促進します。
これらの重みに応じて、GGF はアイテム露出のジニ指数を最小化して、アイテム間の平等を促進するか、最も満足度の低いユーザーの特定の分位数のパフォーマンスに焦点を当てます。
ランキング用の GGF は微分可能でないため、最適化が困難です。
この課題は、微分可能な並べ替えで使用される非滑らかな最適化お​​よび射影演算子のツールを活用することで解決します。
最大 15,000 のユーザーとアイテムを含む実際のデータセットを使用した実験を提示します。これは、さまざまな推奨タスクと公平性基準について、ベースラインよりも優れたトレードオフが得られることを示しています。

要約(オリジナル)

There is growing interest in designing recommender systems that aim at being fair towards item producers or their least satisfied users. Inspired by the domain of inequality measurement in economics, this paper explores the use of generalized Gini welfare functions (GGFs) as a means to specify the normative criterion that recommender systems should optimize for. GGFs weight individuals depending on their ranks in the population, giving more weight to worse-off individuals to promote equality. Depending on these weights, GGFs minimize the Gini index of item exposure to promote equality between items, or focus on the performance on specific quantiles of least satisfied users. GGFs for ranking are challenging to optimize because they are non-differentiable. We resolve this challenge by leveraging tools from non-smooth optimization and projection operators used in differentiable sorting. We present experiments using real datasets with up to 15k users and items, which show that our approach obtains better trade-offs than the baselines on a variety of recommendation tasks and fairness criteria.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google