[论文解读] Managing Popularity Bias in Recommender Systems with Personalized Re-ranking

Himan Abdollahpouri, Robin Burke+1 more|arXiv (Cornell University)|Jan 22, 2019

Recommender Systems and Techniques参考文献 22被引用 83

一句话总结

该论文将 xQuAD 风格的多样性适配到个性化再排序框架中，通过在任何推荐器输出后推广长尾项以减少流行度偏差，对比二进制和平滑变体与正则化基线。

ABSTRACT

Many recommender systems suffer from popularity bias: popular items are recommended frequently while less popular, niche products, are recommended rarely or not at all. However, recommending the ignored products in the `long tail' is critical for businesses as they are less likely to be discovered. In this paper, we introduce a personalized diversification re-ranking approach to increase the representation of less popular items in recommendations while maintaining acceptable recommendation accuracy. Our approach is a post-processing step that can be applied to the output of any recommender system. We show that our approach is capable of managing popularity bias more effectively, compared with an existing method based on regularization. We also examine both new and existing metrics to measure the coverage of long-tail items in the recommendation.

研究动机与目标

• 激励流行度偏差问题以及在推荐系统中长尾项表示的重要性。
• 提出一种后处理再排序方法，在保持准确性的同时调整现有推荐列表以改善长尾覆盖率。
• 通过根据个体用户对长尾项的兴趣对长尾促销进行加权，实现个性化。
• 在多个数据集上将再排序方法与基于正则化的基线进行比较，以评估长尾覆盖率和排序质量。

提出的方法

• 将 xQuAD 结果多样化框架适应性地用于控制推荐输出中的流行度偏差。
• 提出一个再排序分数，将基础预测相关性与跨短头和长尾类别的个性化多样性项相结合（Gamma 和 Gamma′）。
• 引入两种估计多样性项的变体：Binary xQuAD（类别覆盖指示器）和 Smooth xQuAD（基于比率的覆盖）。
• 利用方程4，从基础推荐器计算 P(v|u) ，以及用户对短头与长尾偏好的 P(d|u) ，以在准确性和多样性之间取得平衡。
• 对排序列表 R 进行迭代再排序，以从初始排序列表中生成所需长度的最终列表 S，配置化的 lambda 控制偏差-准确度权衡。
• 使用长尾覆盖指标（APLT、ACLT）和准确性指标（NDCG）进行评估，并加上 ARP 以衡量曝光。
• 数据集包括 MovieLens 1M 和 Epinions，基于评分分布将项目划分为短头和长尾（约前80% 与后20%）。

实验结果

研究问题

• RQ1 个性化再排序是否能够在保留推荐准确性的同时减少流行度偏差？
• RQ2 Binary 和 Smooth xQuAD 变体在长尾覆盖和排序质量方面，与基于正则化的长尾多样性基线相比表现如何？
• RQ3 数据稀疏度（MovieLens 与 Epinions）对长尾促销及多样性-准确性权衡的影响？
• RQ4 仅使用 ARP 是否足以评估长尾促销，还是应与如 APLT 和 ACLT 的额外指标一同评估？
• RQ5 该方法能否扩展到推荐系统的多方利益相关者场景？

主要发现

• 与基线正则化相比，重排序方法提高了长尾曝光，且 Smooth xQuAD 往往提供更强的长尾覆盖。
• Binary xQuAD 往往对列表进行最小调整，而 Smooth xQuAD 则在增加长尾项与维持排序质量之间取得平衡。
• 在所报告的实验中，LT-Reg 在提升长尾项方面在所评估的指标（APLT 和 ACLT）上表现较差。
• 在这两个数据集上，单独的 ARP 无法充分捕捉长尾多样性，应该与 APLT 和 ACLT 一起评估以评估效果。
• 该方法表明重排序可以在 NDCG 适度下降的情况下实现更好的长尾表示，凸显出有利的多样性-准确度权衡。
• 结果显示 Epinions（更稀疏）数据集在长尾多样性方面比 MovieLens 面临更大挑战，Binary 和 Smooth 变体的相对表现不同。