A Survey on Popularity Bias in Recommender Systems

要約

レコメンダー システムは、ユーザーがパーソナライズされた方法で関連コンテンツを見つけるのに役立ちます。
このようなシステムの主な約束の 1 つは、ロングテールのアイテム、つまりカタログ内のあまり知られていないアイテムの可視性を高めることができることです。
しかし、既存の研究によると、今日のレコメンデーション アルゴリズムは多くの状況で人気バイアスを示しており、レコメンデーションではむしろ人気のあるアイテムに焦点を当てることが多いことを意味しています。
このような偏りは、短期的には消費者やプロバイダーにとって推奨の価値が限定されるだけでなく、時間の経過とともに望ましくない強化効果を引き起こす可能性もあります。
この論文では、人気バイアスの潜在的な理由について説明し、レコメンダー システムにおける人気バイアスを検出、定量化、軽減するための既存のアプローチをレビューします。
したがって、私たちの調査には、文献で使用されている計算メトリクスの概要と、バイアスを軽減するための主な技術的アプローチのレビューの両方が含まれています。
私たちはさらに、今日の文献を批判的に議論し、そこでは研究がほぼ完全に計算実験と、勧告にロングテール項目を含めることの実際的な効果に関する特定の仮定に基づいていることがわかります。

要約(オリジナル)

Recommender systems help people find relevant content in a personalized way. One main promise of such systems is that they are able to increase the visibility of items in the long tail, i.e., the lesser-known items in a catalogue. Existing research, however, suggests that in many situations today’s recommendation algorithms instead exhibit a popularity bias, meaning that they often focus on rather popular items in their recommendations. Such a bias may not only lead to limited value of the recommendations for consumers and providers in the short run, but it may also cause undesired reinforcement effects over time. In this paper, we discuss the potential reasons for popularity bias and we review existing approaches to detect, quantify and mitigate popularity bias in recommender systems. Our survey therefore includes both an overview of the computational metrics used in the literature as well as a review of the main technical approaches to reduce the bias. We furthermore critically discuss today’s literature, where we observe that the research is almost entirely based on computational experiments and on certain assumptions regarding the practical effects of including long-tail items in the recommendations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google