[論文レビュー] Artist and style exposure bias in collaborative filtering based music recommendations

Andrés Ferraro, Dmitry Bogdanov+2 more|arXiv (Cornell University)|Nov 12, 2019

Music and Audio Processing参考文献 14被引用数 8

ひとこと要約

本研究では、ミリオン・ソング・データセットおよびLast.fmタグを用いて、行列分解を用いた協調フィルタリングベースの音楽推薦システムにおけるアーティストおよび音楽スタイルの露出バイアスを調査する。その結果、システムが人気バイアスを強化し、長尾の露出を減少させ、少数のトップアーティストに推薦が集中することを明らかにした。30回のフィードバック反復の間に、カバレッジは40％から20％に低下し、ジニ係数は0.95から0.98に上昇した。

ABSTRACT

Algorithms have an increasing influence on the music that we consume and understanding their behavior is fundamental to make sure they give a fair exposure to all artists across different styles. In this on-going work we contribute to this research direction analyzing the impact of collaborative filtering recommendations from the perspective of artist and music style exposure given by the system. We first analyze the distribution of the recommendations considering the exposure of different styles or genres and compare it to the users' listening behavior. This comparison suggests that the system is reinforcing the popularity of the items. Then, we simulate the effect of the system in the long term with a feedback loop. From this simulation we can see how the system gives less opportunity to the majority of artists, concentrating the users on fewer items. The results of our analysis demonstrate the need for a better evaluation methodology for current music recommendation algorithms, not only limited to user-focused relevance metrics.

研究の動機と目的

• 協調フィルタリングの推薦が、ユーザーの聴取行動と比較してアーティストおよび音楽スタイルの露出に与える影響を分析すること。
• 推薦システムが音楽消費における既存の人気格差を強化しているかどうかを調査すること。
• 長期的なフィードバックループをシミュレートし、アーティストの露出および推薦の多様性に与える累積的影響を評価すること。
• ユーザーの関連性を重視するが、公平性およびアーティストの露出の多様性を軽視する、現在の評価指標の限界を浮き彫りにすること。
• より人気のないアーティストやジャンルの公平性と代表性を含む、改善された評価手法の提言をすること。

提案手法

• エコ・ネスト・トレインプロファイル・サブセットおよびミリオン・ソング・データセットを用いて、行列分解を適用し、1ユーザーあたり10曲の推薦を生成した。
• 音楽タグ（例：ジャンル、ムード）をLast.fmデータセットから取得し、スタイルレベルの分析のため、推薦とユーザーの聴取行動をマッピングした。
• 30回の反復で、推薦された楽曲を新たなユーザーのインタラクションとして扱い、モデルを繰り返し再訓練することでフィードバックループをシミュレートした。
• ジニ係数を用いて、推薦における各アーティストごとのユーザー露出の不平等度を分布的公平性の指標として測定した。
• カバレッジを、すべてのユーザーに少なくとも1回の推薦を受けたユニークなアーティストの割合として計算した。
• オリジナルの再生回数に基づく人気度（上位5、5～2,000、2,000～50,000）でタグおよびアーティストをグループ化し、人気層ごとの推薦バイアスを比較した。

実験結果

リサーチクエスチョン

• RQ1 推薦された音楽スタイルの分布は、実際のユーザーの聴取行動における人気度と比較して、どの程度一致しているか？
• RQ2 協調フィルタリングの推薦は、ユーザーの聴取データにすでに存在する人気バイアスをどの程度強化するか？
• RQ3 繰り返しの推薦がフィードバックループ内でアーティストの露出の多様性に及ぼす長期的影響は何か？
• RQ4 シミュレートされたフィードバック環境において、システムのカバレッジおよびアーティスト露出のジニ係数は時間経過とともにどのように変化するか？
• RQ5 最も人気のあるアーティストは、繰り返しの推薦サイクルを通じて、どの程度不釣り合いに高い露出を得るか？

主な発見

• システムは、上位タグ（例：人気のあるジャンル）を初期の聴取頻度よりも14％高い割合で推薦する一方、長尾タグ（再生回数2,000～50,000）は推薦で9.4％低い頻度で現れる。
• アーティストに関しては、トップ5の最も人気のあるアーティストが推薦の1.57％を占めるが、初期の聴取行動ではわずか0.62％にとどまるため、強い人気バイアスが確認された。
• 30回のフィードバックループ反復の間に、アーティスト推薦分布のジニ係数は0.95から0.98に上昇し、少数のアーティストに極端に集中していることが示された。
• 同じ期間にカバレッジは40％から20％に低下し、最終段階で80％のアーティストが何らの推薦も受けなかった。
• 初期データセットで上位4位の楽曲は、10回のフィードバック反復後に、初期の50,000～100,000人のリスナーから100,000～135,000人のリスナーにリーチが拡大したが、初期のリーチが50,000～100,000人であったにもかかわらず、その増加は推薦回数のわずかな増加に起因するにとどまった。
• システムの推薦行動は、既存の人気格差を強化しており、とりわけ長尾において、人気のないアーティストやスタイルの機会を減少させている。