Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery

要約

オンライン音楽プラットフォームが成長するにつれて、音楽レコメンダー システムは、ユーザーが膨大な音楽データベース内でコンテンツをナビゲートして発見できるようにする上で重要な役割を果たします。
この大きな目標と矛盾するのは、人気バイアスの存在です。そのため、アルゴリズム システムは、より関連性が高い可能性があるがニッチなアイテムよりも主流のコンテンツを優先します。
この研究では、音楽の発見と人気バイアスの間の本質的な関係を調査します。
この問題を軽減するために、グラフ ニューラル ネットワーク (GNN) ベースの推奨システムにおける人気バイアスに対処する、ドメインを意識した個別の公平性ベースのアプローチを提案します。
私たちのアプローチは、個人の公平性を利用して、グラウンド トゥルースのリスニング エクスペリエンスを反映します。つまり、2 つの曲が似ているように聞こえる場合、その類似性がその表現に反映されるはずです。
そうすることで、人気の偏りに強く、音楽の領域に根ざした有意義な音楽の発見を促進します。
BOOST 手法を 2 つの検出ベースのタスクに適用し、プレイリスト レベルとユーザー レベルの両方で推奨を実行します。
次に、コールド スタート設定での評価を基礎にし、あまり知られていないコンテンツのパフォーマンスと推奨の両方において、私たちのアプローチが既存の公平性ベンチマークよりも優れていることを示しました。
最後に、私たちの分析は、私たちが提案する方法論が、人気バイアスを軽減し、音楽レコメンダーシステムにおける新しいニッチなコンテンツの発見を改善するための斬新で有望なアプローチである理由を説明します。

要約(オリジナル)

As online music platforms grow, music recommender systems play a vital role in helping users navigate and discover content within their vast musical databases. At odds with this larger goal, is the presence of popularity bias, which causes algorithmic systems to favor mainstream content over, potentially more relevant, but niche items. In this work we explore the intrinsic relationship between music discovery and popularity bias. To mitigate this issue we propose a domain-aware, individual fairness-based approach which addresses popularity bias in graph neural network (GNNs) based recommender systems. Our approach uses individual fairness to reflect a ground truth listening experience, i.e., if two songs sound similar, this similarity should be reflected in their representations. In doing so, we facilitate meaningful music discovery that is robust to popularity bias and grounded in the music domain. We apply our BOOST methodology to two discovery based tasks, performing recommendations at both the playlist level and user level. Then, we ground our evaluation in the cold start setting, showing that our approach outperforms existing fairness benchmarks in both performance and recommendation of lesser-known content. Finally, our analysis explains why our proposed methodology is a novel and promising approach to mitigating popularity bias and improving the discovery of new and niche content in music recommender systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google