[論文レビュー] Unfair Exposure of Artists in Music Recommendation

Himan Abdollahpouri, Robin Burke+1 more|arXiv (Cornell University)|Mar 25, 2020

Music and Audio Processing参考文献 9被引用数 5

ひとこと要約

本稿は、音楽推薦アルゴリズムにおける人気バイアスが、特にマイナーおよび中堅のミュージシャンに対して不平等な露出をもたらす仕組みを調査している。Last.fmデータセットと複数のアルゴリズムを用いて、ΔGAPを用いて不平等さを定量化した結果、主流アーティストは過剰にプロモートされる一方、マイナーなアーティストは非ランダムなモデルですら体系的に抑圧されていることが明らかになった。

ABSTRACT

Fairness in machine learning has been studied by many researchers. In particular, fairness in recommender systems has been investigated to ensure the recommendations meet certain criteria with respect to certain sensitive features such as race, gender etc. However, often recommender systems are multi-stakeholder environments in which the fairness towards all stakeholders should be taken care of. It is well-known that the recommendation algorithms suffer from popularity bias; few popular items are over-recommended which leads to the majority of other items not getting proportionate attention. This bias has been investigated from the perspective of the users and how it makes the final recommendations skewed towards popular items in general. In this paper, however, we investigate the impact of popularity bias in recommendation algorithms on the provider of the items (i.e. the entities who are behind the recommended items). Using a music dataset for our experiments, we show that, due to some biases in the algorithms, different groups of artists with varying degrees of popularity are systematically and consistently treated differently than others.

研究の動機と目的

• 人気バイアスがユーザーだけでなく、アイテム提供者たるアーティストに与える影響を調査すること。
• 推薦アルゴリズムが音楽ストリーミングデータに既に存在する人気の不均衡をどのように拡大するかを定量化すること。
• 実際のリスナー潜在力に対するアーティストの期待される露出の観点から、公平性を評価すること。
• UserKNN、NMF、Random、Most-pop などの複数の推薦アルゴリズムを、人気レベルの異なるアーティストに対する公平性の観点から比較すること。
• 複数の利害関係者を含む推薦システムにおけるアイテム提供者に対する公平性を測定・評価するフレームワークを提案すること。

提案手法

• 聴取頻度に基づき、アーティストを3つの人気グループに分類：High-P（主流）、Mid-P（中堅）、Low-P（マイナー）。
• GAP(G) = Σφ(a)/|G| という式を用いて、各グループのグループ平均人気度（GAP）を計算。ここで φ(a) はアーティスト a の再生回数を表す。
• 不平等さは ΔGAP(G) = (GAP(G)ₜ - GAP(G)ₖ)/GAP(G)ₖ で測定され、推薦露出（r）とデータ分布（d）を比較する。
• 5つのアルゴリズム（UserKNN、NMF、UserItemAvg、Random、Most-pop）を適用し、推薦を生成して ΔGAP 値を計算した。
• アーティストの聴取履歴を用いた Last.fm データセット（Kowald et al.）を用い、人気層ごとのアルゴリズム行動を評価した。
• 全アルゴリズムにわたって結果を分析し、アーティストグループの過剰または不十分なプロモーションの継続的パターンを同定した。

実験結果

リサーチクエスチョン

• RQ1 異なる推薦アルゴリズムは、人気レベルの異なるアーティストの露出にどのように影響を与えるか？
• RQ2 既存のアルゴリズムは、学習データに存在する人気バイアスをどの程度拡大するか？
• RQ3 期待されるリスナー潜在力からの逸脱を測定した場合、アーティストの露出における不平等度はどの程度か？
• RQ4 Random および Most-pop アルゴリズムは、アーティストの露出における公平性の基準としてどのように機能するか？
• RQ5 現在の推薦システムの設計は、どのようにしてマイナーおよび中堅アーティストに不利に働くか？

主な発見

• 主流アーティスト（High-P）は、Random を除くすべてのアルゴリズムで一貫して過剰にプロモートされており、Most-pop および UserKNN で最も高い ΔGAP 値を示した。
• マイナー（Low-P）および中堅（Mid-P）アーティストは体系的に低代表化されており、全アルゴリズムで負の ΔGAP 値を示しており、抑圧が確認された。
• Random アルゴリズムはマイナーなアーティストにとって最も良好に機能し、すべてのアーティストを均等に扱うが、データの不均衡のため主流アーティストは依然として低代表化されている。
• Most-pop アルゴリズムは最も極端な不平等を示し、主流アーティストの過剰プロモーションとマイナーアーティストの抑圧を最大限に拡大した。
• 非ランダムなアルゴリズムである NMF や UserKNN でさえ顕著なバイアスを示しており、ΔGAP 値から、353K 中 345K（99.9%）のアーティストがマイナー層に属し、一貫して露出が不足していることが示された。
• 結果から、人気バイアスはデータに存在するだけでなく、推薦アルゴリズムによって拡大され、アーティストの露出における構造的不平等を引き起こしていることが明らかになった。