[논문 리뷰] Popularity Bias Is Not Always Evil: Disentangling Benign and Harmful Bias for Recommendation
이 논문은 시간에 민감한 비독립적 프레임워크인 TIDE를 제안한다. 이는 정적 아이템 품질이 시간에 따라 안정적인 반면, 군중의 일치성에 기인한 편향은 높은 시간 민감성을 보이므로, 시간적 동적 특성을 활용하여 유익한 인기 편향(잘못된 품질 편향)과 유해한 일치성 기반 편향(유해한 일치성 기반 편향)을 분리한다. 추론 중 일치성 성분을 간섭함으로써 TIDE는 품질 신호를 유지하면서도 군중 일치 효과를 완화함으로써 추천 성능을 향상시킨다. 이는 세 개의 실세계 데이터셋에서 검증되었다.
Recommender system usually suffers from severe popularity bias -- the collected interaction data usually exhibits quite imbalanced or even long-tailed distribution over items. Such skewed distribution may result from the users' conformity to the group, which deviates from reflecting users' true preference. Existing efforts for tackling this issue mainly focus on completely eliminating popularity bias. However, we argue that not all popularity bias is evil. Popularity bias not only results from conformity but also item quality, which is usually ignored by existing methods. Some items exhibit higher popularity as they have intrinsic better property. Blindly removing the popularity bias would lose such important signal, and further deteriorate model performance. To sufficiently exploit such important information for recommendation, it is essential to disentangle the benign popularity bias caused by item quality from the harmful popularity bias caused by conformity. Although important, it is quite challenging as we lack an explicit signal to differentiate the two factors of popularity bias. In this paper, we propose to leverage temporal information as the two factors exhibit quite different patterns along the time: item quality revealing item inherent property is stable and static while conformity that depends on items' recent clicks is highly time-sensitive. Correspondingly, we further propose a novel Time-aware DisEntangled framework (TIDE), where a click is generated from three components namely the static item quality, the dynamic conformity effect, as well as the user-item matching score returned by any recommendation model. Lastly, we conduct interventional inference such that the recommendation can benefit from the benign popularity bias while circumvent the harmful one. Extensive experiments on three real-world datasets demonstrated the effectiveness of TIDE.
연구 동기 및 목표
- 기존 방법들이 모든 인기 편향을 해로운 것으로 간주하고 이를 완전히 제거하려는 한계를 해결하기 위해.
- 인기 편향이 두 가지 서로 다른 요인에서 기인한다는 것을 인식하기 위해: 아이템 품질(유익함)과 사용자 일치성(해로움), 이 둘은 서로 다른 방식으로 대처되어야 한다.
- 아이템 품질은 시간에 따라 변하지 않지만 일치성은 시간에 민감하므로, 시간 패턴을 활용하여 이러한 두 요인을 분리하는 방법을 개발하기 위해.
- 추론 중 일치성 모듈을 간섭함으로써 유익한 편향(품질)은 유지하면서 해로운 편향(일치성)은 억제하는 간섭 전략을 설계하기 위해.
- 사회적 영향으로 인한 인기 확산을 줄이고 내재된 아이템 품질 신호를 유지함으로써 추천 성능을 향상시키기 위해.
제안 방법
- 클릭 생성을 정적 아이템 품질, 동적 일치성 효과, 사용자-아이템 매칭 점수의 조합으로 모델링하는 시간에 민감한 비독립적 프레임워크(TIDE)를 제안한다.
- 최근 클릭 수를 집계하여 그 시간 민감성과 그룹 기반 성격을 반영하는 시간 민감 함수를 사용해 일치성 효과를 모델링한다.
- 인과 그래프를 가정하여 아이템 품질은 시간에 따라 변하지 않으며, 일치성은 시간에 따라 변동하고, 사용자-아이템 매칭은 인기 편향과 독립적임을 전제로 한다.
- 예측 중 일치성 모듈에 간섭함으로써, 효과적으로 그 영향을 제거하면서도 품질 및 매칭 신호는 유지하는 간섭 기반 추론을 구현한다.
- 최근 클릭의 수와 최신성에 기반해 일치성 효과를 모델링하기 위해 합-지수 구조를 사용한다.
- 종합적인 추천 손실을 통해 모델을 엔드 투 엔드로 훈련하며, 아키텍처 설계와 추론 중의 간섭을 통해 구성 요소를 분리한다.
실험 결과
연구 질문
- RQ1시간적 동적 특성을 활용해, 아이템 품질에 기인한 유익한 인기 편향과 일치성에 기인한 유해한 인기 편향을 구분할 수 있는가?
- RQ2이러한 두 요인을 분리하면, 모든 인기 편향을 해로운 것으로 간주하거나 무시하는 기존 방법보다 추천 성능이 향상되는가?
- RQ3간섭 기반 추론이 유해한 일치성 효과를 효과적으로 억제하면서도 아이템 품질에서 유래하는 유익한 신호를 유지할 수 있는가?
- RQ4아이템 평점과 인기의 시간 패턴은 어떻게 상관관계를 가지며, 이는 인기 편향의 이중성에 대해 어떤 통찰을 제공하는가?
- RQ5제안된 TIDE 프레임워크는 다양한 인기 치우침을 보이는 실세계 추천 데이터셋에 대해 일반화 가능한가?
주요 결과
- 실증 분석 결과, 더 인기 있는 아이템일수록 평균 평점이 높은 경향이 있어, 높은 인기와 더불어 더 나은 품질을 의미하는 잘못된 인기 편향이 존재함을 시사한다.
- 대부분의 아이템에 대해 평점은 현재의 인기와 반비례하는 경향을 보이며, 이는 시간이 지남에 따라 변화하는 동적이고 해로운 일치성 편향의 성격을 드러낸다.
- TIDE는 세 개의 실세계 데이터셋(예: Amazon, Yelp, MovieLens)에서 최신 기준 성능을 달성하며, 인기 편향을 제거하거나 직접 인기 점수를 삽입하는 기존 방법들을 능가한다.
- TIDE의 간섭 기반 추론은 일치성 효과를 억제하면서도 품질 및 사용자 선호도 신호를 유지함으로써 성능 향상에 기여한다.
- 제거 분석 결과, 시간에 민감한 일치성 모델링과 비독립 간섭 메커니즘이 성능 향상에 필수적임을 확인한다.
- 다양한 인기 치우침을 보이는 데이터셋에서 프레임워크가 뛰어난 일반화 능력을 보이며, 실세계 추천 시나리오에서의 적용 가능성을 확인한다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.