How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective
Created by
Haebom
Category
Empty
저자
Siyi Lin, Chongming Gao, Jiawei Chen, Sheng Zhou, Binbin Hu, Yan Feng, Chun Chen, Can Wang
개요
본 논문은 추천 시스템에서의 인기 편향 문제를 다룬다. 추천 모델은 긴 꼬리 분포를 가진 데이터셋으로 학습될 때 인기 편향을 악화시키는 경향이 있다. 이 연구는 경험적 및 이론적 분석을 통해 이 현상의 근본 원인을 밝히는데, 추천 모델의 예측 점수 행렬의 주 스펙트럼에 아이템 인기가 기억되고, 차원 축소 현상이 주 스펙트럼의 상대적 중요성을 증폭시켜 인기 편향을 심화시킨다는 두 가지 핵심 통찰을 제시한다. 이러한 통찰을 바탕으로, 주 특이값의 크기를 제한하는 스펙트럼 노름 정규화기를 활용하는 새로운 디바이어싱 전략을 제안하고, 스펙트럼 노름 계산을 가속화하는 효율적인 알고리즘을 개발했다. 7개의 실제 데이터셋과 3가지 테스트 패러다임에 대한 광범위한 실험을 통해 제안된 방법의 우수성을 검증했다.
