Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure

Created by
  • Haebom

저자

Amit Jaspal, Rahul Agarwal

개요

본 논문은 추천 시스템의 인기 편향 문제를 해결하기 위해 노출 인식 검색 점수 접근 방식을 제시합니다. 기존의 편향 완화 방법들이 주로 순위 매김 단계나 훈련 단계에서 작동하는 것과 달리, 본 논문의 방법은 추론 단계에서 검색 순위를 명시적으로 조정하여 아이템 노출 확률을 모델링합니다. 이는 노출 효과와 참여 가능성을 분리하여 공정성과 참여 사이의 제어된 절충을 가능하게 합니다. 실제 동영상 추천 시스템에서의 온라인 A/B 실험을 통해 독특하게 검색된 아이템이 25% 증가하고 과도하게 인기 있는 콘텐츠의 지배력이 40% 감소하는 것을 확인했습니다. 전반적인 사용자 참여 수준은 유지하면서 검색 단계에서 인기 편향을 완화하는 확장 가능하고 배포 가능한 솔루션을 제시합니다.

시사점, 한계점

시사점:
추론 단계에서 인기 편향을 완화하는 확장 가능하고 배포 가능한 솔루션을 제공합니다.
노출 효과와 참여 가능성을 분리하여 공정성과 참여 사이의 제어된 절충을 가능하게 합니다.
실제 시스템에서의 A/B 테스트를 통해 유의미한 성능 향상을 보여줍니다 (독특하게 검색된 아이템 25% 증가, 과도하게 인기 있는 콘텐츠 지배력 40% 감소).
검색 단계에서의 편향 완화에 대한 새로운 패러다임을 제시합니다.
한계점:
본 논문에서 제시된 방법이 모든 유형의 추천 시스템에 적용 가능한지에 대한 추가적인 연구가 필요합니다.
장기적인 사용자 참여에 대한 영향에 대한 추가적인 분석이 필요합니다.
다른 편향 유형 (예: 컨텐츠 편향)에 대한 효과성 검증이 필요합니다.
특정 도메인(동영상 추천)에 국한된 결과이므로 일반화 가능성에 대한 추가 검증이 필요합니다.
👍