Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders

작성자

Haebom

카테고리

Empty

저자

Jun Yin, Bangguo Zhu, Peng Huo, Ruochen Liu, Hao Chen, Senzhang Wang, Shirui Pan, Chengqi Zhang

💡 개요

본 논문은 최신 생성 추천 시스템(Generative Recommender, GR)에서 나타나는 인기도 편향 문제를 진단하고 해결하는 방법을 제안합니다. 연구진은 GR의 최적화 방식과 아이템 토큰화 방식이 인기도 편향을 심화시키는 근본 원인임을 밝혀내고, 이를 해결하기 위해 비대칭 언라이클리후드 최적화와 골격 기반 아이템 토큰화를 적용한 새로운 추천 시스템 'Ghost'를 개발했습니다. 실험 결과, Ghost는 인기도 편향을 상당 부분 완화하고 추천의 공정성을 높였으며, 전체 추천 성능 저하는 미미했습니다.

🔑 시사점 및 한계

•

생성 추천 시스템의 인기도 편향은 단순히 데이터 문제뿐만 아니라, 모델의 최적화 방식 및 아이템 표현 방식과 깊은 연관이 있음을 규명했습니다.

•

제안된 'Ghost' 시스템은 비대칭 언라이클리후드 최적화와 골격 기반 아이템 토큰화를 통해 인기도 편향을 효과적으로 줄이면서도 추천 성능을 유지하는 새로운 방향을 제시합니다.

•

제안된 방법론이 전반적인 추천 성능 저하를 '미미하게' 일으킨다고 언급하고 있어, 공정성과 성능 간의 균형을 더 정밀하게 맞추는 연구가 필요합니다.

PDF 보기

Made with Slashpage