[论文解读] When the Umpire is also a Player: Bias in Private Label Product Recommendations on E-commerce Marketplaces

Abhisek Dash, Abhijnan Chakraborty+3 more|arXiv (Cornell University)|Jan 30, 2021

Consumer Market Behavior and Pricing参考文献 39被引用 4

一句话总结

本文对亚马逊的赞助推荐和自然相关商品推荐进行了系统性审计，揭示了其在赞助结果中显著偏袒亚马逊自有品牌（PL）产品的现象。通过采用包含多种偏见度量指标的网络中心框架，研究发现，与自然推荐相比，自有品牌产品在赞助推荐中获得的推荐数量显著更多，其中自有品牌成员身份是影响链接形成最关键的因子，表明存在算法层面的偏袒，对第三方卖家造成不利影响。

ABSTRACT

Algorithmic recommendations mediate interactions between millions of customers and products (in turn, their producers and sellers) on large e-commerce marketplaces like Amazon. In recent years, the producers and sellers have raised concerns about the fairness of black-box recommendation algorithms deployed on these marketplaces. Many complaints are centered around marketplaces biasing the algorithms to preferentially favor their own `private label' products over competitors. These concerns are exacerbated as marketplaces increasingly de-emphasize or replace `organic' recommendations with ad-driven `sponsored' recommendations, which include their own private labels. While these concerns have been covered in popular press and have spawned regulatory investigations, to our knowledge, there has not been any public audit of these marketplace algorithms. In this study, we bridge this gap by performing an end-to-end systematic audit of related item recommendations on Amazon. We propose a network-centric framework to quantify and compare the biases across organic and sponsored related item recommendations. Along a number of our proposed bias measures, we find that the sponsored recommendations are significantly more biased toward Amazon private label products compared to organic recommendations. While our findings are primarily interesting to producers and sellers on Amazon, our proposed bias measures are generally useful for measuring link formation bias in any social or content networks.

研究动机与目标

• 调查亚马逊的赞助相关商品推荐是否系统性地偏袒其自有品牌（PL）产品而非第三方（3P）产品。
• 量化并比较亚马逊赞助推荐系统与自然推荐系统中的偏见。
• 构建一种以网络为中心的框架，用于测量推荐网络中的链接形成偏见。
• 评估卖家和产品属性对推荐曝光度的相对影响。
• 为监管机构、研究人员和平台设计者提供关于电子商务算法公平性的实证洞察。

提出的方法

• 构建了两种基于网络的表示方式：基于浏览相似性的自然相关商品网络（RIN）和基于广告驱动的赞助相关商品网络（RIN），覆盖多个产品品类。
• 应用基于网络的回归（NBR）模型，以估计产品和卖家属性对入度（即推荐数量）的影响。
• 使用五种正交偏见度量指标，量化自有品牌（PL）与第三方（3P）产品之间在推荐曝光度上的差异。
• 从背包和电池品类的亚马逊商品页面收集并分析数据，以推断推荐模式。
• 比较自然RIN与赞助RIN中各项属性（如PL成员身份、FBA履约、卖家质量）的估计系数，以检测偏见。
• 进行统计显著性检验，以验证关键属性对推荐频率的影响。

实验结果

研究问题

• RQ1 与第三方产品相比，亚马逊自有品牌产品是否获得了不成比例的高比例赞助相关商品推荐？
• RQ2 赞助推荐中的偏见与自然（基于浏览相似性）推荐中的偏见相比如何？
• RQ3 哪些产品和卖家属性最显著地影响在赞助结果中被推荐的可能性？
• RQ4 自有品牌成员身份对推荐曝光度的影响在统计上是否显著且在不同产品品类中保持一致？
• RQ5 卖家质量、履约方式（FBA）和产品热度等属性在赞助与自然系统中对推荐曝光度的影响程度如何？

主要发现

• 自有品牌（PL）成员身份是赞助相关商品网络中入度的最重要预测因子，估计系数为0.741，表明存在强烈的算法偏袒。
• 在自然推荐中，PL成员身份具有负向且统计显著的影响（系数为-0.183），表明消费者并不会自然偏好PL产品。
• Fulfillment by Amazon（FBA）在自然和赞助网络中均为最具影响力的属性，但在赞助RIN中其相对重要性低于PL成员身份。
• 卖家质量与产品品质在两种RIN中均对入度产生正向且显著的影响，但在赞助网络中，其影响力远小于PL成员身份。
• 产品热度在任一模型中均未表现出对入度的正向或显著影响，表明热度本身并不能驱动推荐频率。
• 对自有品牌产品的偏见在赞助推荐中显著高于自然推荐，且PL成员身份的相对重要性在两种推荐类型比较中提升最大。