協調フィルタリングにおける人気バイアスの再考 - 解析的ベクトル分解による取り組み

この論文では、協調フィルタリング(CF)モデルにおける人気バイアスの問題に取り組んでいます。人気バイアスは、CFモデルの個人化機能を根本的に損なうため、人気の高い商品を過剰に推奨し、ユーザーの本当の嗜好であるニッチなコンテンツを無視してしまう課題があります。従来のアプローチでは、これを外部の混同要因として扱ってきましたが、著者らは人気バイアスがBayesian Pairwise Ranking(BPR)最適化におけるCFモデルの幾何学的な人工物であることを明らかにしました。数学的な分析により、BPRは商品エンベディングを「人気方向」に沿って組織化し、エンベディングの大きさが相互作用頻度と直接相関することを証明しています。この幾何学的な歪みにより、ユーザーエンベディングは本当の嗜好を表現しつつ全体的な人気にも適応する2つの矛盾した課題を同時に処理せざるを得なくなり、人気の高い商品を好む最適でない構成に陥ってしまいます。著者らは、非対称的な方向更新を通じてこのエンベディング幾何学を外科的に修正するDirectional Decomposition and Correction(DDC)という汎用的なフレームワークを提案しています。DDCは、ポジティブな相互作用を個人的な嗜好方向に沿って誘導し、ネガティブな相互作用を全体的な人気方向から遠ざけることで、人気と嗜好を幾何学的な源泉で分離しています。複数のBPRベースのアーキテクチャでの実験により、DDCが最先端の偏りを軽減する手法を大幅に上回り、学習損失を5%以下に抑えつつ推奨の質と公平性を向上させることが示されています。