[논문 리뷰] The Unfairness of Popularity Bias in Recommendation

Himan Abdollahpouri, Masoud Mansoury외 2명|arXiv (Cornell University)|2019. 07. 31.

Recommender Systems and Techniques참고 문헌 19인용 수 111

한 줄 요약

본 연구는 사용자 관점에서의 인기도 편향을 검토하고, 인기도가 높은 아이템에 대한 관심으로 사용자 그룹을 정의하며, 많은 알고리즘이 인기도 높은 아이템에 과도하게 의존하고 특히 틈새 사용자에게 해를 준다는 것을 보여준다.

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.

연구 동기 및 목표

• 데이터 및 알고리즘의 인기도 편향이 권고가 사용자 기대와 다르게 흐르게 만드는 원인을 평가한다.
• 인기도 높은 아이템에 대한 관심이 서로 다른 사용자 그룹을 식별한다.
• 이 그룹들에 대해 다양한 추천 알고리즘이 인기도 편향을 어떻게 전파하는지 평가한다.
• 인기도 아이템과 비인기도 아이템의 예상 비율을 어떤 알고리즘이 더 잘 유지하는지 강조한다.

제안 방법

• MovieLens 1M 데이터셋을 사용해 평가에서 인기 아이템의 비율로 사용자 프로필을 분석한다.
• 인기도 아이템 비율에 따라 Niche (N), Diverse (D), Blockbuster-focused (B)의 세 사용자 그룹을 정의한다.
• 유사한 정밀도로 여러 알고리즘(User KNN, Item KNN, SVD++, Biased Matrix Factorization, 그리고 Most Popular와 Random)을 비교한다.
• 권고의 인기 아이템 비율을 사용자 프로필과 비교하여 측정한다.
• GAP(Group Average Popularity)와 ΔGAP를 도입해 아이템 인기 노출의 변화 정도를 정량화한다.

실험 결과

연구 질문

• RQ1 RQ1: 서로 다른 개인이나 사용자 그룹이 인기 아이템에 얼마나 관심이 있는가?
• RQ2 RQ2: 알고리즘의 인기도 편향이 인기 아이템에 대한 관심 정도가 서로 다른 사용자에게 어떤 영향을 미치는가.

주요 결과

• 인기도 편향이 검증된 알고리즘 전반에 걸쳐 만연하여 권고가 사용자 프로필이 시사하는 것보다 훨씬 더 인기도 높은 아이템에 편향된다.
• Niche 사용자들은 권고에서 예상되는 인기 아이템 비율과 실제 비율 사이에 가장 큰 차이를 보인다.
• SVD++는 다른 알고리즘들보다 사용자 기대 인기도 비율과의 정합성이 비교적 더 좋다.
• Most Popular와 Item KNN은 아이템 인기도와 추천 간의 상관관계를 더 강하게 유도하여 편향을 강화한다.
• GAP(Group Average Popularity)와 ΔGAP 지표는 알고리즘 전반에 걸쳐 niche 사용자에 대한 뚜렷한 편향을 드러낸다.
• 전반적으로, 인기 아이템에 대한 관심이 낮은 사용자는 연구된 추천 알고리즘에 의해 불균형적으로 불리한 위치에 있다.