Consumer-side Fairness in Recommender Systems: A Systematic Survey of Methods and Evaluation

要約

デジタル化のレベルが高まり続ける現在の状況において、私たちはスケーラビリティに関する大きな課題に直面しています。
レコメンダー システムは、ユーザーが増大するデータをナビゲートするのを支援するという点でも、逆にプロバイダーが興味のあるユーザーに製品をマーケティングするのを支援するという点でも、かけがえのないものになっています。
機械学習手法における差別に対する意識の高まりにより、最近、学術界と産業界の両方が推薦システムで公平性を確保する方法を研究する動機になっています。
推薦者システムの場合、このような問題は職業推薦によってよく例証され、過去のデータの偏りにより、推薦者システムが一方の性別を低賃金や固定観念の伝播に結びつける可能性があります。
特に、消費者側の公平性は、推奨システムのユーザーが経験する差別を軽減することに焦点を当てており、さまざまな種類の差別に対処するための膨大な数の多様なアプローチが見られます。
前記差別の性質は、状況と適用される公平性の解釈によって異なり、多くのバリエーションがあります。
この調査は、推奨システムにおける消費者側の公平性に関する現在の研究の体系的な概要と議論として役立ちます。
そのために、高レベルの公平性の解釈に基づいた新しい分類法が提案され、研究とその提案された公平性評価指標を分類するために使用されます。
最後に、この分野の将来の方向性についていくつかの提案を取り上げます。

要約(オリジナル)

In the current landscape of ever-increasing levels of digitalization, we are facing major challenges pertaining to scalability. Recommender systems have become irreplaceable both for helping users navigate the increasing amounts of data and, conversely, aiding providers in marketing products to interested users. The growing awareness of discrimination in machine learning methods has recently motivated both academia and industry to research how fairness can be ensured in recommender systems. For recommender systems, such issues are well exemplified by occupation recommendation, where biases in historical data may lead to recommender systems relating one gender to lower wages or to the propagation of stereotypes. In particular, consumer-side fairness, which focuses on mitigating discrimination experienced by users of recommender systems, has seen a vast number of diverse approaches for addressing different types of discrimination. The nature of said discrimination depends on the setting and the applied fairness interpretation, of which there are many variations. This survey serves as a systematic overview and discussion of the current research on consumer-side fairness in recommender systems. To that end, a novel taxonomy based on high-level fairness interpretation is proposed and used to categorize the research and their proposed fairness evaluation metrics. Finally, we highlight some suggestions for the future direction of the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google