[논문 리뷰] Recommendations and User Agency: The Reachability of Collaboratively-Filtered Information

Sarah Dean, Sarah Rich외 1명|arXiv (Cornell University)|2019. 12. 20.

Recommender Systems and Techniques참고 문헌 44인용 수 5

한 줄 요약

이 논문은 사용자가 행동 변화를 통해 새로운 콘텐츠에 얼마나 쉽게 접근할 수 있는지 평가하기 위해 선형 top-N 추천 시스템에서 사용자 기여도를 분석하는 접근법을 제안한다. 선형 프로그래밍을 활용한 계산 효율적인 감사 기법을 제안하여, 모델 복잡도가 필터 버블에서 벗어나는 데 필요한 노력에 직접적인 영향을 미친다는 점을 밝혀내었으며, 이는 추천의 쿨스타트 및 다양성 문제에 영향을 미친다.

ABSTRACT

Recommender systems often rely on models which are trained to maximize accuracy in predicting user preferences. When the systems are deployed, these models determine the availability of content and information to different users. The gap between these objectives gives rise to a potential for unintended consequences, contributing to phenomena such as filter bubbles and polarization. In this work, we consider directly the information availability problem through the lens of user recourse. Using ideas of reachability, we propose a computationally efficient audit for top-$N$ linear recommender models. Furthermore, we describe the relationship between model complexity and the effort necessary for users to exert control over their recommendations. We use this insight to provide a novel perspective on the user cold-start problem. Finally, we demonstrate these concepts with an empirical investigation of a state-of-the-art model trained on a widely used movie ratings dataset.

연구 동기 및 목표

• 사용자 기여도의 부족으로 인해 모델 편향으로 인해 사용자가 필터 버블에 갇힐 수 있는 개인화된 추천 시스템의 문제를 해결하기 위해.
• 사용자가 행동 변화를 통해 새로운 콘텐츠에 접근할 수 있는 방법을 중심으로, 선형 top-N 추천 모델에서 사용자 복귀를 도달 가능성 문제로 공식화하기 위해.
• 정적 행동 예측에 의존하지 않고, 사용자가 원하는 추천을 달성하는 데 얼마나 쉽게 도달할 수 있는지 평가하기 위한 계산 효율적인 감사 방법을 개발하기 위해.
• 도달 가능성의 관점에서 쿨스타트 문제를 재정의하여, 사용자 표현 갱신이 장기적인 콘텐츠 접근성에 영향을 미친다는 것을 보여주기 위해.
• 모델 복잡도와 잠재 공간의 구조가 사용자 주도적 콘텐츠 탐색의 가능성을 결정하며, 이는 공정성과 다양성에 영향을 미친다는 것을 보여주기 위해.

제안 방법

• 사용자 복귀를 정의하는 도달 가능성 프레임워크를 제안하며, 사용자가 시청 행동을 변화시켜 어떤 항목이라도 접근할 수 있는 능력을 의미하며, 이를 선형 타당성 문제로 모델링한다.
• 사용자 및 항목 편향을 포함한 선형 선호 모델을 사용: $\widehat{r}_{ui} = \mu + b_i + c_u + \mathbf{p}_u^\top \mathbf{q}_i$, 여기서 $\mathbf{p}_u$ 는 애핀 변환 $\mathbf{p}_u = A\mathbf{r}_u + \mathbf{d}$ 를 통해 갱신되는 사용자 임베딩이다.
• 항목 영역 $\mathcal{P}_i$ 는 항목 $i$ 가 top-N 추천에 포함될 수 있도록 하는 사용자 표현의 집합으로, 항목 및 사용자 임베딩를 포함한 선형 부등식에 기반한다.
• 사용자가 목표 항목에 도달하기 위해 필요한 최소 행동 변화 $\mathbf{a}$ 를 결정하기 위해 선형 프로그래밍을 구성하며, 제약 조건 $G_i(\mathbf{v}_0 + B\mathbf{a}) > h_i$ 를 포함한다. 여기서 $G_i$ 와 $h_i$ 는 top-N 순위 조건을 표현한다.
• MovieLens 데이터셋에 훈련된 최첨단 모델에 감사를 적용하여, 모델 복잡도와 사용자 역사에 따라 도달 가능성의 변화를 분석한다.
• 쿨스타트 문제에 대한 새로운 해석을 제안한다: 역사가 없는 사용자는 모델의 잠재 공간이 그들의 표현을 지원하지 않는 한, 완전한 행동 변화에도 도달 불가능할 수 있다.

실험 결과

연구 질문

• RQ1 사용자가 시청 행동을 변화시켜 새로운 콘텐츠에 얼마나 접근할 수 있으며, 이는 모델의 잠재 구조에 따라 어떻게 달라지는가?
• RQ2 모델 복잡도는 사용자가 원하는 추천을 달성하기 위해 요구되는 노력에 어떻게 영향을 미치는가?
• RQ3 사용자가 극적인 행동 변화를 해도 여전히 자신의 역사에 의해 효과적으로 '고정'될 수 있는 구조적 조건은 무엇인가?
• RQ4 특히 쿨스타트 상황에서, 다양한 사용자 프로파일에 따라 항목의 도달 가능성은 어떻게 달라지는가?
• RQ5 훈련된 모델을 공식적으로 감사하여, 콘텐츠 탐색에서 사용자 기여도를 장려하거나 제한하는지 평가할 수 있는가?

주요 결과

• top-N 추천에서 항목의 도달 가능성은 사용자 및 항목 임베딩의 잠재 공간 내 기하학적 구조에 의해 결정되며, 각 항목에 대한 타당한 사용자 표현을 정의하는 선형 제약 조건이 존재한다.
• 선형 프로그래밍 기반의 계산 효율적인 감사 기법을 통해 사용자가 최소한의 행동 변화로 목표 항목에 도달할 수 있는지 여부를 판단할 수 있으며, 이는 모델 수준에서 사용자 기여도를 평가할 수 있게 한다.
• 모델 복잡도, 특히 사용자 업데이트 행렬 $A$ 의 질량은 사용자 복귀의 어려움에 직접적인 영향을 미친다: 높은 복잡도는 더 유연한 사용자 적응을 가능하게 한다.
• 쿨스타트 문제는 도달 가능성 문제로 재정의된다: 역사가 없는 사용자는 완전한 행동 변화에도 불구하고 모델의 잠재 공간이 그들의 표현을 지원하지 않으면 도달 불가능할 수 있다.
• MovieLens에서의 실증 결과는 도달 가능성이 사용자 및 항목 간에 크게 달라지며, 일부 사용자는 다양한 또는 새로운 콘텐츠에 접근하는 데 높은 장벽을 겪는다는 것을 보여준다.
• 이 프레임워크는 정확한 모델일지라도 잠재 공간의 구조가 새로운 관심사를 표현하는 데 제한을 두는 편향을 포함하고 있을 경우 사용자 기여도를 제한할 수 있음을 드러낸다.