Core Concepts
GNNUERS는 GNN 기반 추천 시스템의 불공정성을 설명하기 위해 사용자-아이템 상호작용의 최소 부분 집합을 찾아 제거함으로써 더 공정한 추천을 생성할 수 있습니다.
Abstract
이 논문은 GNN 기반 추천 시스템의 불공정성을 설명하는 새로운 방법인 GNNUERS를 제안합니다. GNNUERS는 사용자-아이템 상호작용 데이터를 이용하여 불공정성의 원인을 찾아냅니다.
GNNUERS의 주요 구성 요소는 다음과 같습니다:
이분 그래프 퍼터베이션 메커니즘: GNNUERS는 이분 그래프의 구조를 변경하여 보호 집단과 비보호 집단 간 추천 효용의 격차를 최소화합니다. 이를 위해 퍼터베이션 벡터를 최적화하여 특정 사용자-아이템 상호작용을 제거합니다.
손실 함수 최적화: GNNUERS는 두 개의 손실 함수를 최소화합니다. 하나는 인구통계학적 공정성을 측정하는 공정성 손실이고, 다른 하나는 원래 그래프와 퍼터베이션된 그래프 간의 거리를 측정하는 거리 손실입니다. 이를 통해 최소한의 퍼터베이션으로 공정성을 향상시킬 수 있습니다.
경사 비활성화: GNNUERS는 보호 집단에 대한 추천 효용 최적화 과정에서 경사 비활성화를 수행합니다. 이를 통해 비보호 집단의 추천 효용을 감소시키는 방향으로 퍼터베이션이 이루어지도록 합니다.
실험 결과, GNNUERS는 3개의 최신 GNN 기반 추천 모델에 대해 체계적으로 불공정성을 설명할 수 있었습니다. 또한 퍼터베이션된 그래프의 구조적 특성 분석을 통해 불공정성의 근본 원인을 밝혀낼 수 있었습니다.
Stats
사용자 노드의 평균 차수는 보호 집단에서 더 낮습니다.
보호 집단 사용자의 평균 밀도는 비보호 집단에 비해 더 낮습니다.
보호 집단 사용자의 평균 그룹 내 거리는 비보호 집단에 비해 더 큽니다.