[论文解读] Popularity Bias in Recommendation: A Multi-stakeholder Perspective

Himan Abdollahpouri|arXiv (Cornell University)|Aug 19, 2020

Recommender Systems and Techniques参考文献 165被引用 19

一句话总结

本文提出了一种多利益相关方框架，用于评估推荐系统中的流行度偏差及其对用户和商品供应商的影响。提出三种算法——RG、XQ 和 CP，通过事前处理和事后处理技术减轻流行度偏差，表明标准公平性度量通常无法反映真实世界中各利益相关方的实际表现，尤其是在平衡用户满意度与供应商公平性方面。

ABSTRACT

Traditionally, especially in academic research in recommender systems, the focus has been solely on the satisfaction of the end-user. While user satisfaction has, indeed, been associated with the success of the business, it is not the only factor. In many recommendation domains, there are other stakeholders whose needs should be taken into account in the recommendation generation and evaluation. In this dissertation, I describe the notion of multi-stakeholder recommendation. In particular, I study one of the most important challenges in recommendation research, popularity bias, from a multi-stakeholder perspective since, as I show later in this dissertation, it impacts different stakeholders in a recommender system. Popularity bias is a well-known phenomenon in recommender systems where popular items are recommended even more frequently than their popularity would warrant, amplifying long-tail effects already present in many recommendation domains. Prior research has examined various approaches for mitigating popularity bias and enhancing the recommendation of long-tail items overall. The effectiveness of these approaches, however, has not been assessed in multi-stakeholder environments. In this dissertation, I study the impact of popularity bias in recommender systems from a multi-stakeholder perspective. In addition, I propose several algorithms each approaching the popularity bias mitigation from a different angle and compare their performances using several metrics with some other state-of-the-art approaches in the literature. I show that, often, the standard evaluation measures of popularity bias mitigation in the literature do not reflect the real picture of an algorithm's performance when it is evaluated from a multi-stakeholder point of view.

研究动机与目标

• 为解决推荐系统研究中仅关注终端用户满意度的不足，提出一种多利益相关方评估框架。
• 研究流行度偏差如何通过推荐校准失准影响用户，以及如何通过曝光不均影响供应商。
• 开发并评估能够减轻流行度偏差、同时兼顾多方利益相关方需求的算法。
• 通过证明标准流行度偏差度量往往无法反映算法在各利益相关方中的真实表现，挑战其有效性。
• 探讨流行度偏差与其他形式不公平（如受保护群体在推荐中代表性不足）之间的关联。

提出的方法

• 提出一种多利益相关方推荐范式，明确将用户偏好与供应商流行度作为公平性的独立维度进行建模。
• 引入 RG（一种基于模型的事前处理方法），通过调整用户偏好建模来校准推荐，减少对热门商品的过度依赖。
• 开发 XQ 和 CP 作为事后处理技术，通过重新排序推荐结果来提升长尾商品的曝光度，而无需改变底层模型。
• 采用三重分组策略（商品类别、供应商流行度、用户兴趣）定义利益相关方群体，并衡量其间的公平性。
• 使用流行度校准、供应商公平性及用户偏好一致性等指标，评估算法在各利益相关方中的表现。
• 利用真实世界数据集，将所提方法与最先进方法进行对比，强调各利益相关方特定结果而非聚合指标。

实验结果

研究问题

• RQ1 从多利益相关方视角出发，流行度偏差如何影响推荐系统中的用户满意度与供应商曝光？
• RQ2 标准流行度偏差缓解度量在多大程度上能反映算法在不同用户与供应商群体中的实际表现？
• RQ3 旨在提升用户校准的算法是否能间接增强对较不热门供应商的公平性？
• RQ4 流行度偏差与其它形式的不公平（如受保护群体代表性不足）之间存在何种关系？
• RQ5 当从整体角度评估时，不同算法方法（预处理、事前处理、事后处理）在减轻各利益相关方偏差方面的表现如何？

主要发现

• 标准流行度偏差度量通常无法反映算法对利益相关方的真实影响，尤其是在供应商公平性和用户校准方面。
• RG 算法（一种事前处理方法）显著提升了用户偏好校准度，并通过将推荐与用户对流行度的兴趣对齐，间接增强了供应商公平性。
• 事后处理方法 XQ 和 CP 有效提升了长尾商品的曝光度，且未损害用户满意度，在供应商公平性指标上优于基线方法。
• 商品流行度与供应商平均流行度之间存在强烈正相关关系，意味着改善流行度校准可间接支持供应商公平性。
• 本研究发现流行度偏差与其他形式的不公平密切相关——特别是对不热衷于热门商品的用户存在校准失准问题——表明偏差缓解可能带来更广泛的公平性收益。
• 当前分析未捕捉商品流行度随时间的动态演变，表明未来研究需引入时间感知的公平性评估。