추천시스템의 예측점수 제약을 통한 인기편향의 해소

Abstract

추천시스템의 예측은 아이템의 인기도에 의해 왜곡될 수 있다. 추천시스템은 한 유저가 동등하게 좋아하는 두 아이템에 대해, 데이터에 더 많이 포함된 아이템을 더 높은 추천점수로 예측하는 인기편향을 보일 수 있다. 이러한 추천시스템의 인기편향에 따라 인기도가 높은 아이템이 지나치게 추천 돼 개인화된 추천을 해칠 수 있다. 본 연구는 이러한 인기편향 문제를 해결하기 위해 손실함수에 제약항을 추가하는 방법을 제시한다. 구체적으로 기존의 손실함수에 유저가 좋아한 긍정과 부정 아이템들의 각 점수차이를 최소화하는 제약항을 추가해 추천시스템의 정확도를 유지하며 인기편향을 줄인다. 본 연구는 제안방법의 효과를 보이기 위해 가상 데이터를 설계해 실험하여, 긍정 아이템과 부정 아이템의 예측점수의 합이 0이 되도록 제약하는 Zerosum 제약항이 추천시스템의 정확도를 유지하며 인기편향을 해소함을 보인다. 본 연구는 가상 데이터를 활용한 정량적, 정성적 평가를 통해 제안방법이 선행연구의 방법론보다 정확도와 인기편향 해소 성능이 뛰어나고 계산적 타당성과 효율성 측면의 장점이 있음을 보고한다. 이어 4개의 벤치마크 데이터를 활용한 귀납실험을 통해 제안방법이 3개의 데이터에서 낮은 정확도 손실과 높은 인기편향 해소를 보이며 기존 방법론에 비해 향상된 성능을 보임을 보고한다. 결과적으로 본 연구는 추천시스템의 인기편향 문제를 해결하는 새롭고 효과적인 방법론을 제공한다.

Recommendation system often suffers from popularity bias. In particular, the recommendation system can give higher recommendation score to items with higher popularity even among items the user equally liked. This can lead to over-recommendation of popular items, which can harm personalization. To solve this problem, we propose to add a regularization term to the loss function during training: a regularization term which minimizes the score differences of positive and negative items, respectively, is added to the original loss function. The Zerosum term which constraints the sum of the positive and negative item scores of a user to be 0 is proved to be effective. The effectiveness of the method is demonstrated using a synthetic data; the recommendation system accuracy is maintained while the popularity bias is reduced. Further comparison with earlier debias methods shows the proposed method has advantages in terms of computational validity and efficiency. Finally, experiments on 4 recommendation system models and 4 real world datasets reported the proposed method shows generally improved performances over earlier methods. Thus, this study proposes a novel and effective method to reduce popularity bias in recommendation system.