[論文レビュー] The Unfairness of Multifactorial Bias in Recommendation

Masoud Mansoury, Jin Huang+3 more|arXiv (Cornell University)|Jan 19, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

要約: 本論文は人気度とポジティビティのバイアスを組み合わせた多因子バイアスがレコメンドシステムにおける露出の公平性にどう影響するかを研究し、精度の大幅な低下を避けつつバイアスを緩和する前処理手法としてパーセンタイルベースの評価変換を提案します。

ABSTRACT

Popularity bias and positivity bias are two prominent sources of bias in recommender systems. Both arise from input data, propagate through recommendation models, and lead to unfair or suboptimal outcomes. Popularity bias occurs when a small subset of items receives most interactions, while positivity bias stems from the over-representation of high rating values. Although each bias has been studied independently, their combined effect, to which we refer to as multifactorial bias, remains underexplored. In this work, we examine how multifactorial bias influences item-side fairness, focusing on exposure bias, which reflects the unequal visibility of items in recommendation outputs. Through simulation studies, we find that positivity bias is disproportionately concentrated on popular items, further amplifying their over-exposure. Motivated by this insight, we adapt a percentile-based rating transformation as a pre-processing strategy to mitigate multifactorial bias. Experiments using six recommendation algorithms across four public datasets show that this approach improves exposure fairness with negligible accuracy loss. We also demonstrate that integrating this pre-processing step into post-processing fairness pipelines enhances their effectiveness and efficiency, enabling comparable or better fairness with reduced computational cost. These findings highlight the importance of addressing multifactorial bias and demonstrate the practical value of simple, data-driven pre-processing methods for improving fairness in recommender systems.

研究の動機と目的

• 多因子バイアス（人気度＋ポジティビティ）がレコメンドシステムにおけるアイテム露出の公平性に与える影響を調査する。
• 公開データセットにおけるポジティビティバイアスとアイテム人気度の相関を分析する。
• 多因子バイアスを緩和するためのパーセンタイルベースの評価変換を適用・評価する。
• 提案する前処理手法を用いた後処理の公平性パイプラインの効率向上を評価する。

提案手法

• 4つの公開データセット（Goodreads、MovieLens、Google Local Data、Yelp）における人気度バイアスとポジティビティバイアスを特徴付ける。
• 多因子バイアスを、アイテムと評価値の要因がユーザー評価に影響を与える過程として定義する。
• 人気アイテムにおけるポジティビティバイアスが露出の公平性と精度に与える影響をシミュレーションで検討する。
• アイテムプロファイルをパーセンタイル値へ変換する評価変換を適用して、人気アイテムのポジティビティバイアスを低減する。
• 4データセットで生データとパーセンタイル変換データの両方を用いて、6つのレコメンダ（BiasedMF、SVD++、WRMF、ListRank、UserKNN、ItemKNN）を評価する。
• 公平性指標（IA、LIA、EE）と精度指標（Precision、nDCG）を条件ごとに比較する。

実験結果

リサーチクエスチョン

• RQ1 多因子バイアスはアイテム推奨の露出の公平性にどのように影響するか？
• RQ2 ポジティビティバイアスは人気アイテムにより強く集中しており、これが公平性にどう影響するか？
• RQ3 パーセンタイルベースの評価変換は多因子バイアスを緩和し、精度を損なうことなく露出の公平性を改善できるか？
• RQ4 パーセンタイル変換による前処理は、後処理の公平性手法の効率性を高めるか？
• RQ5 複数データセットと複数アルゴリズムで結果は一貫して再現されるか？

主な発見

• ポジティビティバイアスは人気アイテムで強く、推奨の過剰露出を増幅させる。
• 人気アイテムのポジティビティバイアスを緩和すると、露出の公平性指標（IA、LIA、EE）が改善される一方、精度にはばらつく影響をもたらす。
• 評価をパーセンタイル値へ変換することにより入力データの多因子バイアスが低減され、データセットとモデル全体で公平な露出が促進される。
• パーセンタイル変換データを入力として用いると、いくつかのアルゴリズムで公平性と精度の双方が向上する（ただし Yelp の ListRank を除く）。
• パーセンタイル変換による前処理は、後処理の公平性パイプラインの初期推奨リストを短縮しつつ、公平性を保つのに寄与する。