[论文解读] 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 8

一句话总结

本研究基于矩阵分解在百万首歌曲数据集和Last.fm标签上，调查了基于协同过滤的音乐推荐系统中艺术家与音乐风格的曝光偏差。研究发现，该系统加剧了流行度偏差，减少了长尾内容的曝光，使推荐集中于少数顶级艺术家，覆盖度从40%降至20%，基尼指数从0.95升至0.98，历时30轮反馈迭代。

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.

研究动机与目标

• 分析协同过滤推荐如何影响艺术家与音乐风格的曝光程度，相较于用户的实际听歌行为。
• 探究推荐系统是否强化了音乐消费中既有的流行度不平衡。
• 通过模拟长期反馈循环，评估对艺术家曝光与推荐多样性累积影响。
• 指出当前评估指标的局限性，其优先考虑用户相关性，而忽视公平性与艺术家曝光多样性。
• 倡导改进评估方法，纳入对较不知名艺术家与流派的公平性与代表性考量。

提出的方法

• 使用Echo Nest品味档案子集与百万首歌曲数据集，应用矩阵分解为每位用户生成10首歌曲推荐。
• 将推荐结果与用户听歌行为映射至Last.fm数据集中的音乐标签（如流派、情绪）以进行风格层面分析。
• 通过在30轮迭代中反复微调模型，将推荐歌曲视为新用户互动，模拟反馈循环。
• 使用基尼指数衡量分布公平性，评估推荐中每位艺术家被用户曝光的不平等程度。
• 计算推荐覆盖度，即获得至少一次推荐的唯一艺术家占总艺术家的比例。
• 根据原始播放量对标签与艺术家进行分组（前5名、5–2,000名、2,000–50,000名），比较不同流行度层级的推荐偏差。

实验结果

研究问题

• RQ1 推荐音乐风格的分布与用户实际听歌行为在流行度上相比如何？
• RQ2 协同过滤推荐在多大程度上放大了用户听歌数据中已存在的流行度偏差？
• RQ3 在反馈循环中，重复推荐对艺术家曝光多样性有何长期影响？
• RQ4 在模拟反馈环境中，系统的艺术家曝光覆盖度与基尼指数如何随时间演变？
• RQ5 在重复推荐周期中，最热门的艺术家在曝光上获得了多大程度的不成比例优势？

主要发现

• 系统推荐的顶级标签（如流行流派）比例比其初始听歌频率高出14%，而长尾标签（播放量2,000–50,000次）在推荐中被低估9.4%。
• 对于艺术家，系统推荐前5位最热门艺术家的比例为1.57%，而其初始听歌行为中仅占0.62%，表明存在强烈流行度偏差。
• 在30轮反馈循环迭代中，艺术家推荐分布的基尼指数从0.95上升至0.98，表明推荐高度集中于极少数艺术家。
• 推荐覆盖度在同一时期从40%降至20%，意味着最终迭代时80%的艺术家未获得任何推荐。
• 初始数据集中最热门的四首歌曲，在10轮反馈迭代后，用户覆盖范围从约50,000人增至100,000–135,000人，尽管初始推荐对象仅为50,000–100,000人。
• 系统的推荐行为强化了现有的流行度不平衡，减少了较不知名艺术家与音乐风格的曝光机会，尤其在长尾区域。