PyCPFair：推荐系统中消费者和生产者公平性的Python框架

软件影响13（2022）100382原始软件出版物PyCPFair：推荐系统中消费者和生产者公平性的框架放大图片作者：Mohammadmehdi Naghiaeia，Hossein A.Rahmanib，Yashar Deldjooca美国南加州大学b英国伦敦大学学院意大利巴里理工大学自动清洁装置保留字：公平推荐系统优化重新排名多方利益A B标准公平性不仅在科学研究中是一个关键问题，而且在许多实际应用中也是一个关键问题。 推荐系统的公平性是衡量推荐质量的一个重要方面。本文介绍了PyCPFair，一个基于Python的消费者框架 以及推荐系统中的生产者公平性。所提出的框架的易用性和灵活性，可以减少开发时间和增加公平性模型的推荐系统的评价策略。PyCPFair主要是用Python编写的，使用MIP接口和Guidelines求解器提供优化解决方案。代码元数据当前代码版本v0.1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-104Reproducible Capsule的永久链接https://codeocean.com/capsule/8382000/tree/v1法律代码许可证MIT许可证代码版本控制系统使用Git，GitHub使用Python的软件代码语言、工具和服务， Jupyter Notebook编译要求、操作环境依赖性MIP、Guidance、Cornac如果可用，链接到开发人员文档/手册https://rahmanidashti.github.io/CPFairRecSys/问题支持电子邮件rahmanidashti@gmail.com1. 导言和背景推荐系统（RS）无处不在，并且对我们在线消费的内容、我们的信念和无数高风险决策（例如，工作决定、贷款申请）。这些系统的主要目标是提高有效的-用户推荐的真实性，或者更准确地说推荐的个性化，如通过基于先前交互的传统的基于排名的度量所评估的。最近的研究表明，仅仅提高个性化，也称为推荐准确性，可能会导致人们忽视推荐过程的其他重要方面，如推荐公平性。近年来，人们对公平推荐的研究兴趣激增[1，2]。这研究涵盖了广泛的主题，包括数据特征[3，4]和偏见[5推荐系统（RS）中的公平性是一个多方面的概念，取决于利益相关者，利益类型，上下文，道德和时间。RS研究的支柱之一是开发计算框架，用于建模和分析在双边市场（消费者和生产者）中运行的RS。尽管许多研究从消费者和生产者的角度研究或评估公平性[9]，但绝大多数公平意识算法本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址：naghiaei@usc.edu（M. Naghiaei），h. ucl.ac.uk（H.A. Rahmani），yashar. poliba.it（Y.Deldjoo）。https://doi.org/10.1016/j.simpa.2022.100382接收日期：2022年7月1日;接收日期：2022年7月12日;接受日期：2022年7月13日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsM. Naghiaei，H.A.Rahmani和Y.德尔朱软件影响13（2022）1003822Fig. 1. PyCPFair的架构迄今为止发展起来的公平性理论从消费者（C-公平性）或生产者（P-公平性）的角度来检验公平性。公平通常被有效或相关的建议），而P-公平经常被描述为向所有生产者提供一个平等的曝光机会[1，15]。Deldjoo等人最近的调查显示，[1]为这些方法提供了有用的背景在SIGIR'22 [ 11 ]接受的当前工作中与现有的开源库（例如DaisyRec[16] ， Elliot [17] ， LensKit [18] ， LibRec [19] ， OpenRec [20] ，CaseRec [21]）不同，这些库主要旨在复制各种传统的推荐系统，DeepRec [22]考虑了基于深度学习的推荐系统，PyCPFair旨在执行公平感知推荐推荐系统中的评价。特别是，PyCPFair将提供一种与模型无关的重新排名方法，能够联合或单方面优化关于消费者（C），提供商（P）和两者（CP）的市场目标，而不会影响推荐的整体准确性。PyCPFair的主要优点是它快速准确，利用Guesthouse1求解器和MIP2接口，使其更容易进行未来开发，并且通过对来自不同领域的八个真实世界数据集进行广泛的实验来评估其性能[11，23]。2. 功能和主要特点PyCPFair能够以多利益相关者的方式产生公平的建议。图1说明了PyCP- Fair的架构。下面我们将介绍PyCPFair的三个主要层，即输入层、优化层和结果层。2.1. 输入层PyCPFair中的第一层输入层包括两个模块，即，数据和建议。数据模块将数据集作为输入，并在几个预处理步骤之后为推荐模块准备所需的输入数据集。主要的预处理步骤是加载原始第1https://www.gurobi.com/2https://www.python-mip.com/用户和项目组基于预定义的标准。在推荐模块中，我们使用Cornac3[24]，这是一个基于Python的推荐框架，能够应用各种最先进的推荐算法。使用Cornac，我们为用户生成初始的公平性未知的推荐。Top-N初始排名和推荐算法分配给每个项目的分数构成了优化层的输入2.2. 优化层第二层是优化层，这是核心层我们的PyCPFair框架。该层包含初始首选项和求解器模块。初始偏好模块获取前一模块的输出（即，BaseRecommendation和估计的偏好得分），并为优化求解器准备输入数据。然后，求解器模块根据给定的目标利益相关者，即，消费者（C）、生产者（P）或两者（CP）。这一层的输入是准确优化的分级推荐项以及用户和项的组，并且输出是给用户的公平优化的重新分级推荐列表。2.3. 结果图层在结果层中，PyCPFair评估并生成最终的输出文件。评估模块使用几个公知的评估度量来评估与所选择的利益相关者相对应的所生成的公平建议的性能。这些指标在输入层中定义的所有用户和不同用户组之间进行评估。PyCPFair的当前版本考虑了几个准确性和超越准确性的指标，包括精度，召回率，归一化贴现累积增益（nDCG），新颖性，覆盖率和组平均流行度（GAP）。最后，输出模块存储包含所有用户和组的每个推荐算法的最终结果的文件。2.4. 实施细节PyCPFair是在Google Colaboratory上的ipython jupyter notebook环境 中 使 用 Python 实 现 的 。 4 我 们 在 Google Colab 上 使 用 了 jupyternotebook，因为它更容易访问，更容易运行实验。我们使用Cornac作为基础推荐，为用户产生不公平意识的推荐。Cornac实现了各种最先进的推荐模型、数据预处理管道和评估策略。对于重排序优化求解器，我们使用Guidance和MIP实现求解器3 https://github.com/PreferredAI/cornac4https://research.google.com/colaboratory/M. Naghiaei，H.A.Rahmani和Y.德尔朱软件影响13（2022）10038233. 软件影响鉴于自动化决策系统在我们日常生活中的普遍使用，此类系统的可信度最近受到审查[25]。 因此，大量的研究已经开始关注值得信赖的AI/ML的关键维度，包括可推广性，鲁棒性[26目前的工作重点是公平的建议。近年来，推荐系统领域的研究支柱之一是创建用于建模和评估在双边市场（产品和服务的消费者和提供商）中工作的推荐系统的计算框架。主要目标是确保长期经济繁荣，生产者和消费者的效用和公平。然而，大多数先前的研究公平性优化算法在RS采取了单方面的消费者或生产者为中心的方法，忽略了现实，建议是在一个多利益相关者的环境。通过使用PyCPFair [ 11 ]提供的作为一个例子，Rahmani等人。[23]使用PyCPFair来评估RS中面向用户的公平性（C-公平性）的普遍性，该公平性基于部署在多利益相关者平台（例如，电子商务、POI等）。Naghiaei等人[11]使用PyCPFair提供了一个关于消费者和生产者的公平推荐。作为未来的发展，有可能纳入其他公平性概念（例如基于项目方面的校准）和建议的新功能/多样性。这些是可与消费者的相关性和生产者的接触情况一起考虑的额外研究目标。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]Yashar Deldjoo ， Dietmar Jannach ， Alejandro Bellogin ， Alessandro Difonzo ，Dario Zanzonelli ， 公 平 推 荐 系 统 研 究 调 查 ， 2022 ， arXiv 预 印 本 arXiv ：2205.11127。[2] Michael D. Ekstrand，Anubrata Das，Robin Burke，Fernando Diaz，信息访问系统中的公平和歧视，2021，arXiv预印本arXiv：2105。05779。[3] Yashar Deldjoo，Alejandro Bellogin，Tommaso Di Noia，通过数据特征的镜头解释推荐系统的公平性和准确性，Inf. 过程管理。58（5）（2021）102662.[4] Mohammadmehdi Naghiaei ， Hossein A. Rahmani ， Mahdi Dehghan ， Theunfairnessofpopularitybiasinbookrecommendation ， 2022 ， arXivpreprintarXiv：2202.13446.[5] 侯赛因Rahmani，Yashar Deldjoo，Ali Tourani，Mohammadmehdi Naghiaei，活跃用户的不公平性和兴趣点推荐中的流行偏见，在：信息检索中的偏见和公平性的进展，SpringerInternational Publishing，Cham，2022，pp. 56比68[6] Jiawei Chen，Hande Dong，Xiang Wang，Fuli Feng，Meng Wang，XiangnanHe，Bias and debias in recommender system：A survey and future directions，2020，arXiv preprintarXiv：2010.03240.[7] 侯赛因 Rahmani，Yashar Deldjoo，Tommaso di Noia，上下文融合对兴趣点推荐系统 的准 确性 ，超 准确 性和公 平性的 作 用 ， 专家系 统。Appl. 205 （ 2022 ）117700。[8] Yashar Deldjoo ， Vito Walter Anelli ， Hamed Zamani ， Alejandro Bellogin ，Tommaso Di Noia，通过广义交叉熵进行推荐系统公平性评估，在：RMSE@RecSys[9] Yashar Deldjoo，Vito Walter Anelli，Hamed Zamani，Alejandro Bellogin，Tom-maso Di Noia，推荐系统中评估用户和项目公平性的灵活框架，用户模型。用户自适应互动. （2021）1[10] Rishabh Mehrotra，James McInerney，Hugues Bouchard，Mounia Lalmas，Fer-nando Diaz，走向公平的市场：对推荐系统中相关性和公平性满意度之间的权衡的反事实评估，在：第27届ACM信息和知识管理国际会议论文集，2018年，pp.2243-2251[11]Mohammadmehdi Naghiaei，Hossein A. Rahmani，Yashar Deldjoo，Cpfair：推荐系统的个性化消费者和生产者公平性重新排名，2022，arXiv预印本arXiv：2204.08085。[12] 李云奇，陈汉雄，傅作辉，葛英强，张永丰，面向用户的公平性推荐，在：网络会议2021年，2021年，页。624-632[13] Ziwei Zhu，Xia Hu，James Caverlee，基于公平感知张量的算法，在：第27届ACM信息和知识管理国际会议论文集，2018年，第10页。1153-1162年。[14] Jurek Leonhardt，Avishek Anand，Megha Khosla，推荐系统中的用户公平性，在：2018年Web会议的配套程序，2018年，pp. 101-102.[15] Elizabeth Gómez，Ludovico Boratto，Maria Salamó，协作推荐系统中跨大陆的提供者公平性，Inf.Process。管理。59（1）（2022）102719。[16] 朱孙，翟宇，惠芳，杨洁，曲兴华，张杰，丛庚，都我们严格评估？用于可重复评估和公平比较的基准建议，见：第十四届ACM推荐系统会议，ACM，虚拟活动，巴西，2020年，第 1 4 页。23-32号。[17]Vito Walter Anelli ， Alejandro Bellogín ， Antonio Ferrara ， Daniele Malitesta ，Felice Antonio Merra ， Claudio Pomo ， Francesco Maria Donini ， Tommaso DiNoia，Elliot：可重复推荐系统评估的全面而严格的框架，2021，arXiv预印本arXiv：2103.02590。[18] Michael D. Ekstrand，LensKit for python：用于Recomender系统实验的下一代软件，见：第29届ACM信息知识管理国际会议论文集，2020年，第10页。2999-3006。[19] 郭贵兵，张杰，孙朱，Neil Yorke-Smith，Librec：一个用于推荐系统的Java库，在：UMAP研讨会，卷。4，Citeseer，2015.[20] Longqi Yang， Eugene Bagdasaryan ， Joshua Gruenstein ，Cheng-Kang Hsieh ，Deborah Estrin ， Openrec ： A modular framework for extensible and adaptablerecommendation algorithms，in：Proceedings of the Eleventh ACM InternationalConference on Web Search and Data Mining，2018，pp.664-672.[21] Arthur da Costa ， Eduardo Fressato ， Fernando Neto ， Marcelo Manzato ，RicardoCampello，Case recommender：A flexible and可扩展Python推荐系统的框架，在：第12届ACM推荐系统会议论文集，在：RecSys '18，ACM，纽约，纽约，美国，2018年，pp. 494 -495.[22] Shuai Zhang，Yi Tay，Lina Yao，Bin Wu，Aixin Sun，Deeprec：基于深度学习的推荐开源工具包，2019，arXiv预印本arXiv：1905.10536。[23] 侯 赛 因 Rahmani ， Mohammadmehdi Naghiaei ， Mahdi Dehghan ， Moham-madAliannejadi ， Experimentsongeneralizabilityofuser-orientedfairnessinrecommender systems，2022，arXiv preprintarXiv：2205.08289.[24] 放大图片作者：Aghiles Salah，Quoc-Tuan Truong，Hady W. Lauw，Cornac：AComparativeFramework for Multimodal Recommender Systems ， J. Mach. 学 习 .Res. 21（2020）1-95.[25] Tommaso Di Noia ， Nava Tintarev ， Panagiota Fatourou ， Markus Schedl ，Recommendersystems under European AI regulations，Commun. ACM 65（4）（2022）69-73。[26] Yashar Deldjoo，Tommaso Di Noia，Felice Antonio Merra，推荐系统中的对抗性机器学习（aml-recsys），在：第13届网络搜索和数据挖掘国际会议论文集，2020年，pp.869-872[27] Vito Walter Anelli，Yashar Deldjoo，Tommaso Di Noia，Felice Antonio Merra，Ad-versarial recommender systems ： Attack ， defense ， and advances ， in ：RecommenderSystems Handbook，Springer，2022，pp. 335-379.[28] Yashar Deldjoo，Tommaso Di Noia，Felice Antonio Merra，《评估影响》对用户类的用户项协作攻击，在：ImpactRS@RecSys[29] Vito Walter Anelli ， Luca Belli ， Yashar Deldjoo ， Tommaso Di Noia ， AntonioFerrara，Fedelucio Narducci，Claudio Pomo，在推荐系统中追求隐私：从法规到应用的用户和研究人员的观点，在：第十五届ACM推荐系统会议，2021年，pp.838-841[30] Arik Friedman ， Bart P. Schijnenburg ， Kris Vanhecke ， Luc Martens ，ShlomoBerkovsky，推荐系统的隐私方面，在：推荐系统手册，Springer，2015，pp. 649-688.[31] NavaTintarev，JudithMasthoff，Beyondexplainingsingleitemrecommendations，in：Recommender Systems Handbook，Springer，2022，pp.711-756[32] Yashar Deldjoo ， Fatemeh Nazary ， Arnau Ramisa ， Julian Mcauley ， GiovanniPellegrini，Alejandro Bellogin，Tommaso Di Noia，A review of modern fashionrecommender systems，2022，arXiv preprintarXiv：2202.02757.