[論文レビュー] Bias and Debias in Recommender System: A Survey and Future Directions

Jiawei Chen, Hande Dong+4 more|arXiv (Cornell University)|Oct 7, 2020

Recommender Systems and Techniques被引用数 160

ひとこと要約

系統的な調査は、レコメンドシステムにおける7つのバイアスとそれらの因果的説明、およびデバイアシング手法の分類を提示し、開かれた課題と今後の方向性を強調する。

ABSTRACT

While recent years have witnessed a rapid growth of research papers on recommender system (RS), most of the papers focus on inventing machine learning models to better fit user behavior data. However, user behavior data is observational rather than experimental. This makes various biases widely exist in the data, including but not limited to selection bias, position bias, exposure bias, and popularity bias. Blindly fitting the data without considering the inherent biases will result in many serious issues, e.g., the discrepancy between offline evaluation and online metrics, hurting user satisfaction and trust on the recommendation service, etc. To transform the large volume of research models into practical improvements, it is highly urgent to explore the impacts of the biases and perform debiasing when necessary. When reviewing the papers that consider biases in RS, we find that, to our surprise, the studies are rather fragmented and lack a systematic organization. The terminology ``bias'' is widely used in the literature, but its definition is usually vague and even inconsistent across papers. This motivates us to provide a systematic survey of existing work on RS biases. In this paper, we first summarize seven types of biases in recommendation, along with their definitions and characteristics. We then provide a taxonomy to position and organize the existing work on recommendation debiasing. Finally, we identify some open challenges and envision some future directions, with the hope of inspiring more research work on this important yet less investigated topic. The summary of debiasing methods reviewed in this survey can be found at \url{https://github.com/jiawei-chen/RecDebiasing}.

研究の動機と目的

• レコメンドシステムにおけるバイアスとその特徴の系統的概要を提供する。
• 因果性ベースの説明を用いて、RS文献全体でのバイアスの定義の不一致を明らかにする。
• 既存のデバイアシング手法を調査し、統一的な分類体系に整理する。
• 未解決の課題を特定し、RS研究と実践を導く今後の方向性を提案する。

提案手法

• RSにおける7種類のバイアスを分類し、因果グラフを用いてその特徴を定義する。
• デバイアシング手法の分類体系を提示し、各アプローチの長所と短所を論じる。
• RSフィードバックループにおけるデータ、モデル、結果のバイアスの相互作用を要約する。
• 未解決の課題と潜在的な今後の研究方向を強調する。

実験結果

リサーチクエスチョン

• RQ1 レコメンドシステムで同定された7つのバイアスは何で、それらはどのように定義・特徴づけられるか？
• RQ2 デバイアシング手法はどのように分類でき、相対的な長所と短所は何か、RSライフサイクルのどこに適用されるか？
• RQ3 バイアスはRSフィードバックループを通じてどのように伝播・拡大し、軽減のための未解決の課題は何か？

主な発見

• RSにおける7つのバイアスが特定される：選択バイアス、曝露バイアス、適合性バイアス、位置バイアス、帰納的バイアス、人気バイアス、そして不公平。
• バイアスは因果性ベースの説明で分析され、どのように生じ、データ・モデル・結果へ影響するかを示す。
• デバイアシング手法の分類体系が提供され、プロペンシティスコア、データ補完、結合生成モデル、二重頑健モデル、因果ベースのアプローチなどの手法が概説される。
• バイアスはフィードバックループを通じて拡大し、エコーチェンバーの発生や多様性の低下といった問題を引き起こす一方で、データ中において自己強化的になり得るバイアスもある。
• 本調査は180件を超える関連論文を総括し、RSにおけるバイアス是正のための未解決の課題と今後の方向性を強調する。