[论文解读] Deconvolving Feedback Loops in Recommender Systems

Ayan Sinha, David F. Gleich+1 more|arXiv (Cornell University)|Mar 3, 2017

Recommender Systems and Techniques被引用 43

一句话总结

本文提出了一种方法，通过将观测到的评分建模为真实用户偏好与系统诱导评分的组合，来解卷积推荐系统中的反馈回路。在特定假设下使用奇异值分解（SVD），从单次快照中恢复出真实评分矩阵的估计值，从而在合成数据和真实世界数据上以高精度识别推荐偏差和内在用户偏好。

ABSTRACT

Collaborative filtering is a popular technique to infer users' preferences on new content based on the collective information of all users preferences. Recommender systems then use this information to make personalized suggestions to users. When users accept these recommendations it creates a feedback loop in the recommender system, and these loops iteratively influence the collaborative filtering algorithm's predictions over time. We investigate whether it is possible to identify items affected by these feedback loops. We state sufficient assumptions to deconvolve the feedback loops while keeping the inverse solution tractable. We furthermore develop a metric to unravel the recommender system's influence on the entire user-item rating matrix. We use this metric on synthetic and real-world datasets to (1) identify the extent to which the recommender system affects the final rating matrix, (2) rank frequently recommended items, and (3) distinguish whether a user's rated item was recommended or an intrinsic preference. Our results indicate that it is possible to recover the ratings matrix of intrinsic user preferences using a single snapshot of the ratings matrix without any temporal information.

研究动机与目标

• 探究是否能够通过单次评分矩阵快照解卷积推荐系统中的反馈回路，以恢复用户的内在偏好。
• 开发一种可计算的数学模型，将真实用户评分与受推荐系统影响的评分分离开来。
• 构建一种度量方法，量化推荐系统对单个用户-项目评分及整个评分矩阵的影响。
• 在合成数据和真实世界数据集上评估该方法，以识别高度推荐的项目，并区分推荐偏好与内在偏好。
• 通过所提出的度量方法比较Netflix和MovieLens等系统，为推荐质量提供洞察。

提出的方法

• 将观测到的评分矩阵建模为真实偏好与系统诱导评分之和：$ \boldsymbol{R}_{\text{obs}} = \boldsymbol{R}_{\text{true}} + \boldsymbol{R}_{\text{recom}} $。
• 假设推荐系统通过使用项目-项目相似度矩阵的迭代反馈过程运行，评分基于基于邻域的协同过滤进行更新。
• 对观测到的评分矩阵进行奇异值分解（SVD），在真实偏好近似低秩的假设下，估计 $ \boldsymbol{R}_{\text{true}} $ 的低秩结构。
• 通过分析SVD分量及其与反馈机制的对齐情况，推导出一种启发式度量方法，以量化推荐系统对每条评分的影响。
• 将该方法应用于合成数据以验证 $ \boldsymbol{R}_{\text{true}} $ 的恢复效果，并应用于真实世界数据集（如Netflix和MovieLens）以评估推荐偏差。
• 利用所得评分对项目按其受推荐偏差影响的易感性进行排序，并识别出可能受系统影响的项目。

实验结果

研究问题

• RQ1 在缺乏时间序列数据的情况下，能否仅从观测评分矩阵的单次快照中恢复出真实用户偏好矩阵？
• RQ2 推荐系统在多大程度上影响了单个用户-项目评分及整个评分矩阵？
• RQ3 哪些项目最可能受到反馈回路的影响？它们能否按受推荐偏差影响的易感性进行排序？
• RQ4 该方法能否有效区分由内在用户偏好驱动的评分与由推荐系统诱导的评分？
• RQ5 所提出的度量方法在比较不同系统（如Netflix和MovieLens）的推荐质量方面表现如何？

主要发现

• 在给定假设下，该方法即使在缺乏时间信息的情况下，也能成功从观测评分矩阵的单次快照中恢复真实评分矩阵。
• 所提出的度量方法能有效识别出受反馈回路显著影响的项目，例如电视剧的第一季，其比后续季更容易被推荐。
• 在Netflix数据集中，印度电影在推荐得分排名中被过度代表，支持了移民用户利用系统发现本土内容的假设。
• 该方法揭示了Netflix的推荐系统质量高于MovieLens，表现为对相同项目的平均推荐得分更低。
• 分析显示，在40部多季电视剧中，有31部的第一季推荐得分高于第二季，表明早期季存在强烈的反馈回路效应。
• 该方法计算效率高，仅依赖于对观测评分矩阵的SVD，为现实世界推荐系统中的偏差检测提供了一种实用工具。