How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective

要約

推奨システム（RS）は、多くの場合、人気バイアスに悩まされています。
典型的に長尾のデータセットで推奨モデルをトレーニングするとき、モデルはこのバイアスを継承するだけでなく、しばしば悪化させる傾向があり、その結果、推奨リストに人気のあるアイテムが過剰に表現されます。
この研究は、この現象の根本原因を暴露するために包括的な経験的および理論的分析を実施し、2つのコアの洞察をもたらします。1）アイテムの人気は、推奨モデルによって予測されるスコアマトリックスの主要なスペクトルで記憶されます。
2）寸法崩壊現象は、主要なスペクトルの相対的な顕著性を増幅し、それによって人気バイアスを強化します。
これらの洞察に基づいて、私たちは、主要な特異値の大きさを罰するために、スペクトルノーマイライザーを活用する新しい紛争戦略を提案します。
スコアマトリックスのスペクトルプロパティを活用することにより、スペクトル標準の計算を促進するための効率的なアルゴリズムを開発しました。
提案された方法の優位性を検証するために、7つの現実世界のデータセットと3つのテストパラダイムにわたる広範な実験が実施されています。

要約(オリジナル)

Recommendation Systems (RS) are often plagued by popularity bias. When training a recommendation model on a typically long-tailed dataset, the model tends to not only inherit this bias but often exacerbate it, resulting in over-representation of popular items in the recommendation lists. This study conducts comprehensive empirical and theoretical analyses to expose the root causes of this phenomenon, yielding two core insights: 1) Item popularity is memorized in the principal spectrum of the score matrix predicted by the recommendation model; 2) The dimension collapse phenomenon amplifies the relative prominence of the principal spectrum, thereby intensifying the popularity bias. Building on these insights, we propose a novel debiasing strategy that leverages a spectral norm regularizer to penalize the magnitude of the principal singular value. We have developed an efficient algorithm to expedite the calculation of the spectral norm by exploiting the spectral property of the score matrix. Extensive experiments across seven real-world datasets and three testing paradigms have been conducted to validate the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google