因果推断推荐系统工具箱 - Bias and Debias in Recommender System: A Survey and Future Directions(十)

文章名称

Bias and Debias in Recommender System: A Survey and Future Directions

核心要点

上一节中,介绍了如何消除Position Bias,这一节我们来介绍如何消除Popularity Bias。

方法细节

问题引入

Popularity Bias是指流行度越高的物品越容易被推荐系统认为是和用户相关的。这种偏差影响整个推荐系统。

具体做法

作者将解决Popularity Bias的方法分为4类,包括Regularization,Adversarial learning, Causal graph以及其他方法。

Regularization

Regularization的基本思路是把公平性的判别准则作为正则项引入到模型优化的损失函数中,来指导模型优化。一个通用的框架是[1]中提出的LFR,该框架通过将非敏感信息编码到向量表示内,并同时消除向量表示中的敏感信息,以此来保护敏感信息和用户。该损失函数可以被定义为3部分,如下图所示。其中,C(\cdot)是原始特征X与向量表示R = Enc(X)之间的重构损失,Enc(·)是学习得到的编码器。 E(·)通过向量表示R对推荐结果Y的预测损失,可以是交叉熵等损失函数。

LFR loss

D(·)是正则项,用来衡量向量表示R与敏感特征A的独立性,也就是我们上边提到的公平性约束,具体形式如下图所示。其中,P(R|A = 1)通过所有用户的向量表示R与具有敏感特征(或特征取值为具体值)的用户的向量表示的均值\tilde{R}的距离来表示。利用这个正则向,可以保证编码器学习到的向量表示与敏感特征无关。
LFR Regularizor

component of LFR Regularizor

Adversarial learning

与LFR的思路类似,基于对抗学习的方法,通过得到一个具有公平性的向量表示,来实现公平推荐的目的。大致思路是构建一个攻击模型,从向量表示中预测公平性敏感的特征,而预测模型的目标是在降低攻击模型对敏感特征的预测准确度的同时进行物品推荐。这样可以促使公平性敏感的特征的相关信息被从数据的向量表示中去除。[2]提出了AFLR,其学习过程的可以表示为如下图所示的minmax game。其中C_θ(\cdot)是重构损失,用来衡量向量表示R对原始特征X的信息保持能力,通常采用AE来实现。E_θ(\cdot)是预测网络,从向量表示R中预测y(也就是反馈)。θ包含AE和预测器的所有参数,D_{θ,\phi}(\cdot)是用来判别向量表示R与敏感特征A的独立性的对抗网络。如果A是二值的特征,那么D_{θ,\phi}(\cdot)可以是交叉熵损失。通过最大化D_{θ,\phi}(\cdot),来优化\phi,提升对抗模型对敏感特征的识别能力。通过最大化D_{θ,\phi}(\cdot),来优化\theta,提升消除敏感特征对预测能力的影响,减少向量表示中引入的敏感特征的信息。

AFLR general loss

AFLR D

[3]扩展了ALFR,在图嵌入方法中为多个公平性敏感的特征,强制加入组合公平性约束。相比于通常学习到的公平性表示对单一特征不敏感,加入组合约束后,学习到的向量表示,可以保证对不同的敏感特征组合具有不变形(也就是说对可能的特征组合不敏感)。这一特性通过在对抗学习中引入组合编码器实现。[4]在ALFR的基础上提出了特征保护的概念,在利用用户偏好向用户推荐物品的同时,保护用户的隐私属性不被侵害。在对抗学习中,把生成网络看做是特征“攻击者”,不断地期望利用数据寻找用户的隐私属性,来影响推荐。而把BPR视为判别器来进行具有公平性的推荐,判断哪些是特征攻击。
公平性保护

Causal Modeling

因果模型的成功应用,促使很多从因果角度出发的公平性偏差消除的方法,[5], [6], [7], [8],[9]。从因果推断的角度,公平性被抽象为“敏感特征”的因果效应(感觉有点类似于特征重要性),通常通过翻转干预(或者进行反事实的干预)来评估。[7]主要关注排序的公平性,并且认为单独靠数据统计很难辨别出公平性的偏差。因此, [7]构建了一个因果图,并结合离散的用户属性和连续的评分,依据一种路径效应的评估技术,来检测并消除直接或间接的偏差,详见[7]。[8] 引入了“因果公平性”的体系,并推到了Pearl的因果模型(类似SCM)。通过考察真实特征和反事实特征的因果效应的区别,来判断和消除公平性偏差。

心得体会

causal embedding

公平性中的因果模型,其实是通过减少敏感特征带来的因果效应,来减少对敏感特征的依赖。

adversial learning

对抗学习其实是也是通过消除敏感特征对最终推荐结果的影响来提升公平性。这种方法类似于Disentangle的思路,从向量表示中消除敏感特征的相关信息。

文章引用

[1] R. S. Zemel, Y. Wu, K. Swersky, T. Pitassi, and C. Dwork,“Learning fair representations,” in ICML, vol. 28, 2013, pp. 325–333.
[2] H. Edwards and A. J. Storkey, “Censoring representations withan adversary,” in ICLR, 2016.
[3] A. J. Bose and W. L. Hamilton, “Compositional fairnessconstraints for graph embeddings,” in ICML, vol. 97, 2019, pp.715–724.
[4] G. Beigi, A. Mosallanezhad, R. Guo, H. Alvari, A. Nou, andH. Liu, “Privacy-aware recommendation with private-attributeprotection using adversarial learning,” in WSDM, 2020, pp. 34–42.
[5] J. Zhang and E. Bareinboim, “Fairness in decision-making - thecausal explanation formula,” in AAAI, 2018, pp. 2037–2045.
[6] R. Nabi and I. Shpitser, “Fair inference on outcomes,” in AAAI,2018, pp. 1931–1940.
[7] Y. Wu, L. Zhang, and X. Wu, “On discrimination discovery andremoval in ranked data using causal graph,” in KDD. ACM,2018, pp. 2536–2544.
[8] M. J. Kusner, J. R. Loftus, C. Russell, and R. Silva, “Counterfactualfairness,” in NeurIPS, 2017, pp. 4066–4076.
[9] Y. Wu, L. Zhang, and X. Wu, “Counterfactual fairness:Unidentification, bound and algorithm.” in IJCAI, 2019, pp. 1438–1444.

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,907评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,987评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,298评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,586评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,633评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,488评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,275评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,176评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,619评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,819评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,932评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,655评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,265评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,871评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,994评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,095评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,884评论 2 354

推荐阅读更多精彩内容