[論文レビュー] Deconvolving Feedback Loops in Recommender Systems

Ayan Sinha, David F. Gleich+1 more|arXiv (Cornell University)|Mar 3, 2017

Recommender Systems and Techniques被引用数 43

ひとこと要約

本稿では、観測された評価を真のユーザーの好みとシステムに起因する評価の組み合わせとしてモデル化することにより、レコメンデーションシステム内のフィードバックループをデコンボリューションする手法を提案する。特定の仮定の下で特異値分解（SVD）を用いることで、1回のスナップショットから真の評価行列の推定値を回復でき、合成データおよび実世界のデータにおいて推薦バイアスと内在的なユーザーの好みを高い精度で特定可能である。

ABSTRACT

Collaborative filtering is a popular technique to infer users' preferences on new content based on the collective information of all users preferences. Recommender systems then use this information to make personalized suggestions to users. When users accept these recommendations it creates a feedback loop in the recommender system, and these loops iteratively influence the collaborative filtering algorithm's predictions over time. We investigate whether it is possible to identify items affected by these feedback loops. We state sufficient assumptions to deconvolve the feedback loops while keeping the inverse solution tractable. We furthermore develop a metric to unravel the recommender system's influence on the entire user-item rating matrix. We use this metric on synthetic and real-world datasets to (1) identify the extent to which the recommender system affects the final rating matrix, (2) rank frequently recommended items, and (3) distinguish whether a user's rated item was recommended or an intrinsic preference. Our results indicate that it is possible to recover the ratings matrix of intrinsic user preferences using a single snapshot of the ratings matrix without any temporal information.

研究の動機と目的

• フィードバックループが1回のスナップショットにおける評価行列から、ユーザーの内在的好みを回復できるかどうかを調査すること。
• レコメンデーションシステムの推薦が影響を及ぼす評価と真のユーザー評価を分離する、実行可能な数学的モデルを構築すること。
• 個々のユーザー・アイテム評価および全体の評価行列におけるレコメンデーションシステムの影響を定量化する指標を構築すること。
• 合成データおよび実世界のデータセットを用いて手法を評価し、高頻度で推薦されるアイテムを特定し、推薦された評価と内在的好みを区別すること。
• 提案された指標を用いて、Netflix や MovieLens といった異なるシステムのレコメンデーション品質を比較し、洞察を提供すること。

提案手法

• 観測された評価行列を真の好みとシステムに起因する評価の和としてモデル化する：$ \boldsymbol{R}_{\text{obs}} = \boldsymbol{R}_{\text{true}} + \boldsymbol{R}_{\text{recom}} $。
• レコメンデーションシステムがアイテム同士の類似度行列を用いた反復的フィードバックプロセスによって動作すると仮定し、近隣ベースの協調フィルタリングに基づいて評価を更新する。
• 真の好みが近似的に低ランクであると仮定し、観測された評価行列の特異値分解（SVD）を用いて $ \boldsymbol{R}_{\text{true}} $ の低ランク構造を推定する。
• SVDの成分とフィードバックメカニズムの整合性を分析することで、レコメンデーションシステムが各評価に与える影響を定量化するヒューリスティック指標を導出する。
• 合成データに手法を適用して $ \boldsymbol{R}_{\text{true}} $ の回復を検証し、Netflix や MovieLens などの実世界のデータセットに適用して推薦バイアスを評価する。
• 得られたスコアを用いて、レコメンデーションバイアスへの感受性の高いアイテムを順位付けし、システムの影響を受ける可能性の高いアイテムを特定する。

実験結果

リサーチクエスチョン

• RQ1 時間的データなしで、1回のスナップショットにおける観測評価行列から真のユーザー好み行列を回復できるか？
• RQ2 レコメンデーションシステムが個々のユーザー・アイテム評価および全体の評価行列に及ぼす影響はどの程度か？
• RQ3 どのアイテムがフィードバックループの影響を最も受ける可能性が高く、その感受性の度合いに応じて順位付けできるか？
• RQ4 この手法は、内在的ユーザー好みに起因する評価と、レコメンデーションシステムに起因する評価を区別できるか？
• RQ5 提案された指標は、Netflix や MovieLens といった異なるシステム間でのレコメンデーション品質をどのように比較できるか？

主な発見

• 提示された仮定の下で、時間的情報がなくても、1回のスナップショットからの観測評価行列から真の評価行列を効果的に回復できた。
• 提案された指標は、フィードバックループの影響が強いアイテムを効果的に同定した。例えば、テレビ番組のシーズン1は、後続のシーズンよりも推薦されやすいため、より高い影響を受ける傾向にあった。
• Netflix データセットにおいて、インド映画が推薦スコア上位のアイテムに過剰に現れた。これは、移民ユーザーが自国のコンテンツを発見するためにシステムを利用しているという仮説を支持する。
• この手法により、同じアイテムについて平均的な推薦スコアが低かったことから、Netflix のレコメンデーションシステムは MovieLens よりも高い品質であったと示された。
• 分析の結果、40本のマルチシーズンテレビ番組のうち31本でシーズン1の推薦スコアがシーズン2よりも高かった。これは、初期シーズンに強いフィードバックループ効果が存在することを示している。
• このアプローチは計算的に効率的であり、観測評価行列のSVDのみに依存しており、実世界のレコメンデーションシステムにおけるバイアス検出の実用的ツールを提供する。