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

Himan Abdollahpouri, Masoud Mansoury+2 more|arXiv (Cornell University)|Jul 31, 2019

Recommender Systems and Techniques参考文献 19被引用数 111

ひとこと要約

本論文はユーザーの観点から人気バイアスを検討し、ユーザーを人気アイテムへの関心に基づくグループとして定義し、多くのアルゴリズムが人気アイテムに過度に依存していることを示し、特にニッチなユーザーに不利である。

ABSTRACT

Recommender systems are known to suffer from the popularity bias problem: popular (i.e. frequently rated) items get a lot of exposure while less popular ones are under-represented in the recommendations. Research in this area has been mainly focusing on finding ways to tackle this issue by increasing the number of recommended long-tail items or otherwise the overall catalog coverage. In this paper, however, we look at this problem from the users' perspective: we want to see how popularity bias causes the recommendations to deviate from what the user expects to get from the recommender system. We define three different groups of users according to their interest in popular items (Niche, Diverse and Blockbuster-focused) and show the impact of popularity bias on the users in each group. Our experimental results on a movie dataset show that in many recommendation algorithms the recommendations the users get are extremely concentrated on popular items even if a user is interested in long-tail and non-popular items showing an extreme bias disparity.

研究の動機と目的

• データとアルゴリズムにおける人気バイアスが、推奨がユーザーの期待から逸脱する原因となる。
• 人気アイテムへの関心が異なるユーザーグループを特定する。
• これらのグループに対して、さまざまな推奨アルゴリズムが人気バイアスをどのように伝播させるかを評価する。
• 人気アイテムと非人気アイテムの期待比をよりよく維持するアルゴリズムを明らかにする。

提案手法

• MovieLens 1Mデータセットを用い、評価における人気アイテムの割合でユーザープロファイルを分析する。
• 人気アイテムの割合に基づいて、Niche (N)、Diverse (D)、Blockbuster-focused (B) の3つのユーザーグループを定義する。
• 類似精度で、複数のアルゴリズム（User KNN、Item KNN、SVD++、Biased Matrix Factorization、さらに Most Popular および Random）を比較する。
• 推奨における人気アイテムの割合とユーザープロファイルとの比率を測定する。
• GAP（Group Average Popularity）とΔGAPを、アイテムの人気露出の変化を定量化する指標として導入する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 異なる個人やユーザーグループは、人気アイテムにどの程度興味を示すのか。
• RQ2 RQ2: アルゴリズムの人気バイアスは、人気アイテムに対する関心度が異なるユーザーにどのような影響を与えるか。

主な発見

• 人気バイアスは、テストされたアルゴリズム全体に広く及び、推奨がユーザープロファイルが示唆するよりもはるかに人気アイテム主体になる。
• ニッチなユーザーは、推奨における人気アイテムの期待比と実際の比の間に最大の乖離を示す。
• SVD++は、他のアルゴリズムと比べてユーザーの期待する人気比率に相対的に良く適合している。
• Most Popular と Item KNN は、アイテムの人気と推奨との相関をより強く誘導し、バイアスを増幅する。
• Group Average Popularity（GAP）と ΔGAP 指標は、アルゴリズム全体でニッチなユーザーに顕著なバイアスを示す。
• 全体として、人気アイテムに対する関心が低いユーザーは、研究対象の推奨アルゴリズムによって不均衡に供給が不足している。