[논문 리뷰] Bias and Debias in Recommender System: A Survey and Future Directions

Jiawei Chen, Hande Dong외 4명|arXiv (Cornell University)|2020. 10. 07.

Recommender Systems and Techniques인용 수 160

한 줄 요약

추천 시스템의 일곱 가지 편향, 그 인과적 설명, 그리고 편향 제거 방법의 분류 체계를 체계적으로 조사하여 남은 도전 과제와 향후 방향을 강조.

ABSTRACT

While recent years have witnessed a rapid growth of research papers on recommender system (RS), most of the papers focus on inventing machine learning models to better fit user behavior data. However, user behavior data is observational rather than experimental. This makes various biases widely exist in the data, including but not limited to selection bias, position bias, exposure bias, and popularity bias. Blindly fitting the data without considering the inherent biases will result in many serious issues, e.g., the discrepancy between offline evaluation and online metrics, hurting user satisfaction and trust on the recommendation service, etc. To transform the large volume of research models into practical improvements, it is highly urgent to explore the impacts of the biases and perform debiasing when necessary. When reviewing the papers that consider biases in RS, we find that, to our surprise, the studies are rather fragmented and lack a systematic organization. The terminology ``bias'' is widely used in the literature, but its definition is usually vague and even inconsistent across papers. This motivates us to provide a systematic survey of existing work on RS biases. In this paper, we first summarize seven types of biases in recommendation, along with their definitions and characteristics. We then provide a taxonomy to position and organize the existing work on recommendation debiasing. Finally, we identify some open challenges and envision some future directions, with the hope of inspiring more research work on this important yet less investigated topic. The summary of debiasing methods reviewed in this survey can be found at \url{https://github.com/jiawei-chen/RecDebiasing}.

연구 동기 및 목표

• 추천 시스템의 편향과 그 특성에 대한 체계적인 개요를 제공합니다.
• 케우시티 기반 설명을 사용하여 RS 문헌 전반에서의 편향 정의 차이를 명확히 합니다.
• 기존의 편향 제거 방법론을 조사하고 이를 일관된 분류 체계로 정리합니다.
• 남은 도전 과제를 식별하고 RS 연구 및 실무를 안내할 향후 방향을 제시합니다.

제안 방법

• RS에서의 일곱 가지 유형의 편향을 분류하고 인과 그래프로 특성을 정의합니다.
• 편향 제거 기법의 분류 체계를 제시하고 각 접근 방식의 강점과 약점을 논의합니다.
• RS 피드백 루프 내 데이터, 모델, 결과 편향 간의 상호 작용을 요약합니다.
• 개방형 도전 과제와 잠재적인 향후 연구 방향을 강조합니다.

실험 결과

연구 질문

• RQ1 추천 시스템에서 식별된 일곱 가지 편향은 무엇이며 어떻게 정의되고 특징지어져 있는가?
• RQ2 편향 제거 방법은 어떻게 분류될 수 있으며 상대적 강점과 약점은 무엇이며 RS 생애주기 어디에 적용되는가?
• RQ3 편향은 RS 피드백 루프를 통해 어떻게 전파되고 증폭되는가, 이를 완화하기 위한 개방형 도전 과제는 무엇인가?

주요 결과

• RS에서 일곱 가지 편향으로 식별됩니다: 선택 편향, 노출 편향, 순응 편향, 위치 편향, 유도 편향, 인기도 편향, 그리고 불공정성.
• 인과 기반 설명으로 편향을 분석하여 그것이 데이터, 모델 및 결과에 어떻게 발생하고 영향을 미치는지 보여줍니다.
• 편향 제거 기법의 분류 체계를 제공하며 방법으로는 성향 점수, 데이터 대체, 공동 생성 모델, 이중 강건 모형, 인과 기반 접근 등이 있습니다.
• 편향은 피드백 루프를 통해 증폭될 수 있어 반향실(echo chamber)과 다양성 저하 같은 문제를 야기하는 반면, 일부 편향은 데이터에서 자체 강화될 수 있습니다.
• 본 조사는 180편이 넘는 관련 논문을 종합하고 RS에서의 편향 완화에 대한 개방 도전 과제와 향후 방향을 강조합니다.