개인화된 인기 인식을 통한 추천 시스템의 편향 제거

행렬 분해에 기반한 추천 시스템은 널리 사용됩니다. 그러나 이러한 시스템은 인기 항목의 과도한 추천 문제, 즉 인기 편향 문제에 쉽게 직면할 수 있습니다. 인기 편향을 완화하기 위해 현재의 방법은 종종 사용자 활동과 상호작용한 항목의 인기도를 고려하여 상호작용의 인기 편향 정도를 균일하게 모델링하고, 그 후 추천 시스템이 편향이 덜한 상호작용에 더 집중하도록 강제합니다. 그러나 후보 항목에 대한 사용자의 인기 선호 역시 인기 편향 추정에서 중요한 역할을 하며, 이는 현재의 방법에서 무시되고 있습니다. 따라서 편향 정도의 균일한 모델링은 최적이 아닌 편향 제거 성능을 초래합니다. 이 문제를 해결하기 위해 우리의 핵심 아이디어는 개인화된 편향 정도를 추정하여 사용자별 편향 제거를 수행하는 것입니다. 우리는 먼저 항목의 인기에서 얻은 미리 정의된 편향 정도를 도출한 후, 이를 사용자의 후보 항목의 인기도를 고려하여 조정합니다. 두 가지 고전적인 MF 기반 추천 시스템과 세 가지 실제 데이터셋에 대한 광범위한 실험을 통해 우리의 접근 방식이 인기 편향 제거에 대한 최신 방법보다 우수함을 입증하였습니다.