Recent work in recommender systems has emphasized the importance of fairness, with a particular interest in bias and transparency, in addition to predictive accuracy. In this paper, we focus on the state of the art pairwise ranking model, Bayesian Personalized Ranking (BPR), which has previously been found to outperform pointwise models in predictive accuracy, while also being able to handle implicit feedback. Specifically, we address two limitations of BPR: (1) BPR is a black box model that does not explain its outputs, thus limiting the user's trust in the recommendations, and the analyst's ability to scrutinize a model's outputs; and (2) BPR is vulnerable to exposure bias due to the data being Missing Not At Random (MNAR). This exposure bias usually translates into an unfairness against the least popular items because they risk being under-exposed by the recommender system. In this work, we first propose a novel explainable loss function and a corresponding Matrix Factorization-based model called Explainable Bayesian Personalized Ranking (EBPR) that generates recommendations along with item-based explanations. Then, we theoretically quantify additional exposure bias resulting from the explainability, and use it as a basis to propose an unbiased estimator for the ideal EBPR loss. The result is a ranking model that aptly captures both debiased and explainable user preferences. Finally, we perform an empirical study on three real-world datasets that demonstrate the advantages of our proposed models.

中文翻译：

---

来自隐式反馈的去偏可解释成对排名

推荐系统最近的工作强调了公平的重要性，除了预测准确性外，还特别关注偏见和透明度。在本文中，我们专注于最先进的成对排名模型，即贝叶斯个性化排名 (BPR)，该模型之前已被发现在预测准确性方面优于逐点模型，同时还能够处理隐式反馈。具体来说，我们解决了 BPR 的两个局限性：（1）BPR 是一个黑盒模型，它不解释其输出，因此限制了用户对推荐的信任，以及分析师审查模型输出的能力；(2) BPR 容易受到暴露偏差的影响，因为数据不是随机丢失 (MNAR)。这种曝光偏差通常转化为对最不受欢迎的项目的不公平，因为它们有被推荐系统曝光不足的风险。在这项工作中，我们首先提出了一种新颖的可解释损失函数和相应的基于矩阵分解的模型，称为可解释贝叶斯个性化排名 (EBPR)，该模型生成推荐以及基于项目的解释。然后，我们从理论上量化了由可解释性导致的额外曝光偏差，并以此为基础提出了理想 EBPR 损失的无偏估计。结果是一个排名模型，它恰当地捕捉了无偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优势。我们首先提出了一个新的可解释损失函数和一个相应的基于矩阵分解的模型，称为可解释贝叶斯个性化排名（EBPR），该模型生成推荐以及基于项目的解释。然后，我们从理论上量化了由可解释性导致的额外曝光偏差，并以此为基础提出了理想 EBPR 损失的无偏估计。结果是一个排名模型，它恰当地捕捉了无偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优势。我们首先提出了一个新的可解释损失函数和一个相应的基于矩阵分解的模型，称为可解释贝叶斯个性化排名（EBPR），该模型生成推荐以及基于项目的解释。然后，我们从理论上量化了由可解释性导致的额外曝光偏差，并以此为基础提出了理想 EBPR 损失的无偏估计。结果是一个排名模型，它恰当地捕捉了无偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优势。我们在理论上量化了由可解释性导致的额外暴露偏差，并以此为基础提出理想 EBPR 损失的无偏估计。结果是一个排名模型，它恰当地捕捉了无偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优势。我们在理论上量化了由可解释性导致的额外暴露偏差，并以此为基础提出理想 EBPR 损失的无偏估计。结果是一个排名模型，它恰当地捕捉了无偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优势。