[論文レビュー] Popularity Bias in Recommendation: A Multi-stakeholder Perspective

Himan Abdollahpouri|arXiv (Cornell University)|Aug 19, 2020

Recommender Systems and Techniques参考文献 165被引用数 19

ひとこと要約

本稿は、人気バイアスとそのユーザーおよびアイテム供給者に与える影響に注目し、複数のステークホルダーを考慮したレコメンデーションシステムの評価フレームワークを提案する。標準の公平性指標が現実のステークホルダーのパフォーマンスを反映しないことが多く、特にユーザー満足度と供給者公平性のバランスにおいて顕著であることを示している。人気バイアスを軽減するための3つのアルゴリズム（RG、XQ、CP）を提案し、事前処理および事後処理の手法を用いる。

ABSTRACT

Traditionally, especially in academic research in recommender systems, the focus has been solely on the satisfaction of the end-user. While user satisfaction has, indeed, been associated with the success of the business, it is not the only factor. In many recommendation domains, there are other stakeholders whose needs should be taken into account in the recommendation generation and evaluation. In this dissertation, I describe the notion of multi-stakeholder recommendation. In particular, I study one of the most important challenges in recommendation research, popularity bias, from a multi-stakeholder perspective since, as I show later in this dissertation, it impacts different stakeholders in a recommender system. Popularity bias is a well-known phenomenon in recommender systems where popular items are recommended even more frequently than their popularity would warrant, amplifying long-tail effects already present in many recommendation domains. Prior research has examined various approaches for mitigating popularity bias and enhancing the recommendation of long-tail items overall. The effectiveness of these approaches, however, has not been assessed in multi-stakeholder environments. In this dissertation, I study the impact of popularity bias in recommender systems from a multi-stakeholder perspective. In addition, I propose several algorithms each approaching the popularity bias mitigation from a different angle and compare their performances using several metrics with some other state-of-the-art approaches in the literature. I show that, often, the standard evaluation measures of popularity bias mitigation in the literature do not reflect the real picture of an algorithm's performance when it is evaluated from a multi-stakeholder point of view.

研究の動機と目的

• エンドユーザーの満足度にのみ注目するレコメンデーションシステム研究のギャップを埋めるために、マルチステークホルダー評価フレームワークを導入すること。
• 人気バイアスがユーザー（誤った推薦による不正確な推薦）および供給者（不均等な露出）に与える影響を調査すること。
• 複数のステークホルダーのニーズを考慮しながら、人気バイアスを軽減するアルゴリズムの開発と評価を行うこと。
• 標準の人気バイアス指標の妥当性に疑問を呈し、それがステークホルダー全体の真のパフォーマンスを反映しないことが多いことを示すこと。
• 人気バイアスと、保護群の推薦における不足表現などのグループベースの不平等といった他の形の不平等との関連を調査すること。

提案手法

• ユーザーの好みと供給者の人気度を公平性の別々の次元として明示的にモデル化するマルチステークホルダー推薦パラダイムを提案する。
• RG（モデルベースのインプロセッシング手法）を導入し、人気アイテムへの過剰依存を減らすためにユーザー好みのモデルを調整することで、推薦のキャリブレーションを図る。
• XQとCPを、下位のアイテムへの露出を向上させるために、元のモデルを変更せずに再順序付けを行う事後処理手法として開発する。
• ステークホルダーのグループを定義し、公平性を測定するために、アイテムのカテゴリ、供給者の人気度、ユーザーの関心の3つのグループ化戦略を採用する。
• 人気度キャリブレーション、供給者公平性、ユーザー好みの整合性といった指標を用いて、アルゴリズムのパフォーマンスをステークホルダーごとに評価する。
• 実世界のデータセットを用いて、提案手法を最先端の手法と比較し、集計指標よりもステークホルダー固有の結果に重点を置く。

実験結果

リサーチクエスチョン

• RQ1 マルチステークホルダーの視点から、人気バイアスはレコメンデーションシステムにおいてユーザー満足度と供給者露出にどのように影響を与えるか？
• RQ2 標準の人気バイアス軽減指標は、異なるユーザーおよび供給者グループにおけるアルゴリズムの実際のパフォーマンスをどの程度正確に反映しているか？
• RQ3 ユーザーのキャリブレーションを改善することを目的としたアルゴリズムは、人気の低い供給者の公平性を間接的に向上させることができるか？
• RQ4 人気バイアスと、保護群の代表が不足しているなどの他の形の不平等との関係は何か？
• RQ5 包括的な評価において、事前処理、インプロセッシング、事後処理の異なるアプローチが、ステークホルダー全体のバイアス軽減にどの程度効果を発揮するか？

主な発見

• 標準の人気バイアス指標は、特に供給者公平性とユーザーのキャリブレーションの観点から、アルゴリズムの真の影響を反映しないことがしばしばある。
• インプロセッシング手法のRGは、ユーザーの好みのキャリブレーションを顕著に改善し、人気度に沿った推薦をユーザーの関心に合わせることで、間接的に供給者公平性を高める。
• 事後処理手法XQとCPは、ユーザー満足度を損なわせることなく、長尾アイテムへの露出を効果的に増加させ、ベースライン手法に比べて供給者公平性指標で優れる。
• アイテムの人気度とその供給者の平均の人気度の間に強い正の相関があるため、人気度キャリブレーションの改善は、供給者公平性の向上にも間接的に寄与する。
• 本研究では、人気バイアスが他の形の不平等（特に人気アイテムにあまり関心のないユーザーの不正確なキャリブレーション）と関連していることが判明し、バイアス軽減がより広範な公平性の恩恵をもたらす可能性があることを示唆している。
• アイテムの人気度の時間的動的変化は、現在の分析では捉えられていないため、今後の研究では時間に依存する公平性評価の導入が求められる。