[논문 리뷰] Reducing Popularity Bias in Recommendation Over Time

Himan Abdollahpouri, Robin Burke|arXiv (Cornell University)|2019. 06. 27.

Recommender Systems and Techniques참고 문헌 21인용 수 4

한 줄 요약

이 논문은 역동적으로 이전 추천 커버리지 기반으로 장꼬리 항목 노출를 조정함으로써 추천 시스템 내 인기 편향을 줄이기 위한 시간에 민감한 접근법을 제안한다. xQuAD 다각화 알고리즘을 확장하여 누적 추천 이력 $C_{T_0:T_i}$를 사용해 부족하게 노출된 장꼬리 항목을 우선순위에 올리며, 두 개의 공개 데이터셋에서 기준 방법과 비교해 유의미하게 뛰어난 장꼬리 커버리지 성능을 달성하면서도 정확도는 유지한다.

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.

연구 동기 및 목표

• 기존 방법들이 인기 편향 문제를 한 번의 처리로 간주하여 이전 추천 패턴을 忽시하는 한계를 해결하기 위해.
• 이전 추천 이력에서의 누락을 보완함으로써 장꼬리 항목의 노출을 향상시키기 위해.
• 시간이 지남에 따라 항목 카탈로그 전반의 다양성과 커버리지 향상과 함께 높은 추천 정확도를 유지하기 위해.
• 사용자별 장꼬리 선호도에 맞게 적응하는 재순서 프레임워크를 개발하기 위해.

제안 방법

• xQuAD 다각화 알고리즘을 개선하여 누적 추천 이력 $C_{T_0:T_i}$를 통합함으로써, 리스트 기반 커버리지 대신 전반적 커버리지 추적을 수행한다.
• 스코어 함수 $s = P(v|u) + \lambda P(v,C_{T_0:T_i}^\prime|u)$ 를 사용하며, 두 번째 항은 이미 대표된 인기 카테고리의 항목을 페널티 처리한다.
• 장꼬리($\Gamma$) 및 숏헤드($\Gamma^\prime$) 카테고리에 대해 $P(v,C_{T_0:T_i}^\prime|u)$ 의 마진널 확률을 계산하여 다양성 유도.
• 반복적으로 항목을 순위 매기며, 각 단계에서 가장 높은 스코어를 가진 항목을 선택하고, 이에 따라 $C_{T_0:T_i}$ 커버리지 집합을 업데이트한다.
• 다양성 항목에 사용자별 장꼬리 항목에 대한 관심도를 가중치로 통합하여 개인화 요소를 도입한다.
• 기본 추천 알고리즘의 위에 작동하는 재순서 메커니즘을 활용하여 광범위한 적용 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 일회성 다각화 방법과 비교해 시간에 민감한 재순서 전략이 장꼬리 커버리지 향상에 기여할 수 있는가?
• RQ2 이전 추천 커버리지 정보를 통합함으로써 정확도와 장꼬리 노출 간의 균형은 어떻게 영향을 받는가?
• RQ3 동적 재순서를 통해 과거 장꼬리 항목의 누락을 얼마나 효과적으로 보완할 수 있는가?
• RQ4 사용자 이력 기반의 장꼬리 항목 홍보 개인화가 전체 커버리지와 공정성 향상에 기여하는가?
• RQ5 시간적 xQuAD 방법의 성능은 다양한 데이터셋과 인기 분포에서 어떻게 변화하는가?

주요 결과

• 제안된 방법은 기준 방법 대비 유의미하게 높은 장꼬리 커버리지 성능을 달성했으며, 특히 소수의 장꼬리 항목에 대한 과도한 의존도를 줄이는 데 성공했다.
• Epinions 데이터셋에서, 방법은 기준 방법과 유사한 NDCG 점수를 유지하여 순위 정확도에 유의미한 손실가 없음을 입증했다.
• 기존 재순서 방법보다 유일한 장꼬리 항목 노출 측면에서 뛰어난 성능을 보였으며, 동일한 담론적 항목을 반복 추천하는 것을 방지했다.
• 알고리즘이 장꼬리 추천의 집중도를 효과적으로 낮춰 카탈로그 전반의 광범위한 커버리지 향상을 이끌었다.
• 결과적으로 시간적 피드백이 과거 누락을 보완하는 데 더 체계적이고 무작위성이 적은 방식으로 기여함을 확인했다.
• 두 가지 상이한 데이터셋에서의 성능 안정성으로 인해, 특정 데이터 특성에 국한되지 않는 일반화 능력을 입증했다.