[논문 리뷰] Understanding Longitudinal Dynamics of Recommender Systems with Agent-Based Modeling and Simulation

Gediminas Adomavičius, Dietmar Jannach외 2명|arXiv (Cornell University)|2021. 08. 25.

Consumer Market Behavior and Pricing참고 문헌 29인용 수 4

한 줄 요약

이 논문은 추천 시스템의 종단 간 동적 변화를 연구하기 위해 에이전트 기반 모델링(ABM)을 시뮬레이션 프레임워크로 제안한다. 이는 인기 편향, 신뢰 저하, 다양성 손실과 같은 장기적 영향을 분석할 수 있도록 한다. 시간에 따라 이질적인 사용자, 아이템, 동적 추천 엔진을 시뮬레이션함으로써, 알고리즘적 선택과 피드백 루프가 정적 실험에서 간과하는 시스템 수준의 현상이 어떻게 유도되는지를 밝혀낸다.

ABSTRACT

Today's research in recommender systems is largely based on experimental designs that are static in a sense that they do not consider potential longitudinal effects of providing recommendations to users. In reality, however, various important and interesting phenomena only emerge or become visible over time, e.g., when a recommender system continuously reinforces the popularity of already successful artists on a music streaming site or when recommendations that aim at profit maximization lead to a loss of consumer trust in the long run. In this paper, we discuss how Agent-Based Modeling and Simulation (ABM) techniques can be used to study such important longitudinal dynamics of recommender systems. To that purpose, we provide an overview of the ABM principles, outline a simulation framework for recommender systems based on the literature, and discuss various practical research questions that can be addressed with such an ABM-based simulation framework.

연구 동기 및 목표

• 기존 추천 시스템 연구가 정적이고 오프라인 평가에 집중하며 장기적 행동적 및 체계적 영향을 포착하지 못하는 격차를 메운다.
• 오랜 시간이 지나야 나타나는 종단 간 현상, 예를 들어 인기 강화, 추천의 동질화, 사용자 신뢰 감소 등을 조사한다.
• 이질적인 사용자, 변화하는 아이템 카탈로그, 동적 추천 엔진을 모델링하는 시뮬레이션 프레임워크를 제공하여 시스템 수준의 결과를 연구한다.
• 소비자, 콘텐츠 제공자, 플랫폼 등 다수의 이해관계자에 미치는 영향을 단기 성능 지표를 넘어서 탐색할 수 있도록 한다.
• 통제된 종단 간 시뮬레이션 환경을 조성하여 강화 학습 기반 추천 전략의 평가를 지원한다.

제안 방법

• 사용자를 독립적이고 이질적인 에이전트로 모델링하며, 각각 다른 선호도, 소비 전략, 피드백 행동을 가진다.
• 아이템을 수명 주기, 콘텐츠 기술, 가용성 일정을 갖춘 동적 실체로 표현하여 변화하는 카탈로그를 시뮬레이션한다.
• 추천 엔진을 관련성 예측, 순위 매기기, 성능 평가 기반으로 추천을 생성하는 에이전트로 구현한다.
• 반복적 상호작용을 시뮬레이션: 사용자는 확률적 선택 모델을 사용해 추천 아이템을 소비하고, 평가하며, 필요에 따라 피드백을 제출한다.
• 각 상호작용 후 평가 데이터베이스와 추천 엔진 상태를 업데이트하며, 모델링된 수명 주기에 따라 활성 사용자 및 아이템을 추적한다.
• 모든 시뮬레이션 단계에서 시스템 수준 지표(예: 예측 정확도, 다양성, 인기 집중도)를 기록하여 종단 간 추세를 분석한다.

실험 결과

연구 질문

• RQ1 다양한 추천 알고리즘은 장기적으로 어떻게 인기 아이템에 대한 추천 집중도에 영향을 미치는가?
• RQ2 이윤 최적화 전략은 사용자 신뢰와 유저 유지를 장기적으로 어떻게 영향을 미치는가?
• RQ3 사용자 피드백 행동과 소비 전략은 아이템 인기와 시스템 다양성의 진화에 어떻게 기여하는가?
• RQ4 피드백 루프는 시간이 지남에 따라 기존의 인기 편향을 얼마나 강화하는가?
• RQ5 ABM 기반 시뮬레이션은 통제된 종단 간 환경에서 강화 학습 기반 추천 정책을 효과적으로 모델링하고 벤치마킹할 수 있는가?

주요 결과

• 일부 추천 알고리즘 가족은 인기 강화와 동질화 경향을 보이며, 장기적으로 추천의 다양성을 감소시킨다.
• 이윤 최적화 전략은 반복적으로 관련성 낮거나 품질이 낮은 추천을 노출시켜 장기적으로 사용자 신뢰를 저하시킬 수 있다.
• 종단 간 시뮬레이션은 피드백 루프가 초기 인기 불균형을 증폭시켜 이미 인기 있는 아이템이 시간이 지남에 따라 지배적으로 되는 경향을 드러낸다.
• ABM 프레임워크는 개인화 감소와 추천 집중도 증가와 같은 잠재적 시스템 수준 현상을 성공적으로 포착한다.
• 단기 연구에서 관찰하기 어려운 장기적 역학을 연구하는 데 있어, 현장 실험과 오프라인 평가의 실질적인 대안을 제공한다.
• 이 프레임워크는 사회적 영향력과 콘텐츠 제공자의 인centives를 포함한 다수 이해관계자 환경을 모델링할 수 있으며, 더 넓은 체계적 영향을 연구하는 데 활용할 수 있다.