[論文レビュー] Reducing Popularity Bias in Recommendation Over Time

Himan Abdollahpouri, Robin Burke|arXiv (Cornell University)|Jun 27, 2019

Recommender Systems and Techniques参考文献 21被引用数 4

ひとこと要約

本稿では、履歴的な推薦カバレッジに基づいて、長尾アイテムの露出を動的に調整することで、推薦システムにおける人気バイアスを軽減する時間に敏感なアプローチを提案する。xQuAD分散化アルゴリズムを拡張し、累積的な推薦履歴を用いて、露出が不足している長尾アイテムを優先的に扱う。2つの公開データセットにおいて、ベースライン手法と同等の精度を維持しつつ、顕著に優れた長尾カバレッジを達成した。

ABSTRACT

Many recommendation algorithms suffer from popularity bias: a small number of popular items being recommended too frequently, while other items get insufficient exposure. Research in this area so far has concentrated on a one-shot representation of this bias, and on algorithms to improve the diversity of individual recommendation lists. In this work, we take a time-sensitive view of popularity bias, in which the algorithm assesses its long-tail coverage at regular intervals, and compensates in the present moment for omissions in the past. In particular, we present a temporal version of the well-known xQuAD diversification algorithm adapted for long-tail recommendation. Experimental results on two public datasets show that our method is more effective in terms of the long-tail coverage and accuracy tradeoff compared to some other existing approaches.

研究の動機と目的

• 既存手法が人気バイアスを一時的問題として扱い、履歴的な推薦パターンを無視するという限界を是正すること。
• 過去の推薦履歴における欠落を補償することで、長尾アイテムの露出を向上させること。
• 時間の経過とともに、アイテムカタログ全体における多様性とカバレッジを高めつつ、高い推薦精度を維持すること。
• ユーザー固有の長尾嗜好に適応する時間的フィードバックを用いた再ランク付けフレームワークを構築すること。

提案手法

• xQuAD分散化アルゴリズムを累積的推薦履歴 $C_{T_0:T_i}$ を組み込むように変更し、リスト単位のカバレッジからグローバルカバレッジの追跡に置き換える。
• スコア関数 $s = P(v|u) + \lambda P(v,C_{T_0:T_i}^\prime|u)$ を使用し、すでに代表されている人気カテゴリーからのアイテムに対してペナルティを課す。
• 長尾（$\Gamma$）およびショートヘッド（$\Gamma^\prime$）カテゴリーにおけるマージナル尤度 $P(v,C_{T_0:T_i}^\prime|u)$ を計算し、多様性をガイドする。
• 反復的にアイテムをランク付けし、各ステップで最高スコアのアイテムを選択し、履歴の推薦を反映するようにカバレッジ集合 $C_{T_0:T_i}$ を更新する。
• 多様性項において、ユーザー固有の長尾アイテムへの関心を重み付けすることで、パーソナライゼーション要因を導入する。
• 任意のベース推薦アルゴリズムの上位で動作する再ランク付けメカニズムを採用し、広範な適用可能性を実現する。

実験結果

リサーチクエスチョン

• RQ1 一時的多様性手法と比較して、時間に敏感な再ランク付け戦略は長尾カバレッジを向上させることができるか？
• RQ2 履歴的な推薦カバレッジを組み込むことで、精度と長尾露出のバランスにどのような影響を与えるか？
• RQ3 動的再ランク付けにより、過去の長尾アイテム露出の欠落をどの程度補償できるか？
• RQ4 ユーザー履歴に基づいた長尾プロモーションのパーソナライゼーションは、全体的なカバレッジと公平性を向上させるか？
• RQ5 時間的xQuAD手法の性能は、異なるデータセットや人気分布においてどのように変動するか？

主な発見

• 提案手法は、特に少数の長尾アイテムへの過剰依存を軽減する点で、ベースライン手法と比較して顕著に高い長尾カバレッジを達成した。
• Epinionsデータセットでは、手法がベースラインと同等のNDCGスコアを維持しており、ランク付け精度に顕著な損失がないことが示された。
• 既存の再ランク付け手法よりも、ユニークな長尾アイテムの露出において優れた性能を示し、同じニッチアイテムの繰り返し推薦を回避した。
• アルゴリズムは、長尾推薦の集中を効果的に低減し、より広範なカタログカバレッジを実現した。
• 結果から、時間的フィードバックにより過去の欠落をより効果的に補償でき、長尾プロモーションがより体系的かつランダム性が低いことが明らかになった。
• 2つの多様なデータセットにおいても、手法は頑健な性能を示し、特定のデータ特性に依存しない一般化可能性を示した。