GNNUERS：基于反事实推理的GNN推荐公平性解释
信息检索
2024-03-26 v4
摘要
如今，个性化研究聚焦于可解释性与公平性。近期工作提出的若干方法能够以事后方式或通过解释路径解释个体推荐。然而，应用于推荐中不公平性的可解释技术仅限于寻找与偏倚推荐最相关的用户/物品特征。本文中，我们设计了一种新颖算法，利用反事实方法以用户-物品交互的形式发现用户不公平性解释。在我们的反事实框架中，交互表示为二部图中的边，用户和物品为节点。我们的二部图解释器扰动拓扑结构，以寻找最小化受保护与非受保护人口群体间效用差异的改动版本。在来自不同领域的四个真实世界图上的实验表明，我们的方法能够系统性地解释三种最先进基于GNN的推荐模型上的用户不公平性。此外，对扰动网络的实证评估揭示了相关模式，佐证了所生成解释发现的不公平性本质。源代码与预处理数据集可在 https://github.com/jackmedda/RS-BGExplainer 获取。
引用
@article{arxiv.2304.06182,
title = {GNNUERS: Fairness Explanation in GNNs for Recommendation via Counterfactual Reasoning},
author = {Giacomo Medda and Francesco Fabbri and Mirko Marras and Ludovico Boratto and Gianni Fenu},
journal= {arXiv preprint arXiv:2304.06182},
year = {2024}
}