Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

鳥海研輪読会 Exploring the Filter Bubble:The Effect of Using Recommender Systems on Content Diversity

179 views

Published on

鳥海研輪読会発表資料 2017/07/31
title : Exploring the Filter Bubble:The Effect of Using Recommender Systems on Content Diversity
url : http://wwwconference.org/proceedings/www2014/proceedings/p677.pdf
conference : www2014

Published in: Data & Analytics
  • Be the first to comment

鳥海研輪読会 Exploring the Filter Bubble:The Effect of Using Recommender Systems on Content Diversity

  1. 1. 輪読会 Exploring the Filter Bubble: The Effect of Using Recommender Systems on Content Diversity 東京大学工学系研究科 システム創成学専攻 大橋鳥海研研究室 M1 垣内弘太
  2. 2. レコメンドシステム •ユーザ1人1人に合った製品,情報を提案 •企業の利益にも大きな貢献 ̶ Amazonの売り上げの35%がレコメンドによるもの ̶ Netflixで見られる動画の75%はレコメンドされたもの •ユーザの選択において,同僚や専門家より影響力大 •ユーザの選択に関する労力を下げ,質を改善する
  3. 3. Filter Bubble •レコメンドシステムには,Filter Bubbleに関する懸念 •Filter Bubbleとは ̶ インターネットにおける推薦アルゴリズムによって, ユーザが見たい情報を選択的に推定するような検索結果 を出すことが原因で,ユーザがその人の観点に合わない 情報から隔離され,実質的に彼ら自身の文化的,思想的 なバブルの中に孤立するようになっていくこと •レコメンドシステムにより,個人独自にフィルターさ れた情報しか入ってこなくなる
  4. 4. Filter Bubble •保守とリベラルのフェイスブックに流れるニュースが どれだけ違うかを対比するページ(Blue Feed, Red Feed) • 保守とリベラルで表 示される記事が全く 違う • 配信元も重複しない
  5. 5. Filter Bubbleの問題点 •思想の極端化 ̶ トランプ大統領誕生や英国のEU離脱の背景の1つ •新しい洞察や学びに遭遇するチャンスが減る •Filter bubbleの影響を調査することが必要
  6. 6. この論文における2つの問い •Q1:レコメンドシステムによるコンテンツの範囲は時 間経過とともに狭まっていくか •Q2:レコメンドを受けるユーザの経験は,受けない ユーザの経験とどう違うか
  7. 7. データセット •MovieLens ̶ 映画のレビュー,レコメンド,情報のためのWebサイト ̶ ユーザ217,267人,2万以上の映画に2千万以上の評価 ̶ ユーザは映画の評価,映画へのタグ付けなどを行う • Top Pick For You まだユーザが見てい ない,ユーザが高評 価を付けるであろう 映画を降順で表示 (default :15個)
  8. 8. データセット •MovieLensでは,レコメンドシステムにアイテムベース の協調フィルタリングが用いられる •協調フィルタリング ̶ あるユーザと嗜好の類似した他ユーザの情報を用いて自 動的に推薦を行う手法 ̶ アイテムベースの場合,全ユーザの行動履歴をもとにア イテム間の類似度を計算しておき,対象ユーザの行動履 歴内のアイテムに近いものを推薦する
  9. 9. 流れ •ユーザをレコメンドを受けているユーザ群(Following group)と受けていないユーザ群(Ignoring group)に分類 •コンテンツの多様性の定義 ̶ Top Pick For You, ユーザが評価した(見た)映画 •コンテンツの多様性の変化の測り方の定義 •実験
  10. 10. レコメンドを受けているユーザの判別 •レコメンドを受けることの影響を調べる ⇒ ユーザをレコメンドを受ける人 (Following group) , 受けない人 (Ignoring group) に分類 •評価履歴をブロックごとに分ける ̶ 最初の15個+3か月分は削除 ̶ 残りを,10評価ごとにブロックにする ̶ 割り切れず余ったものも削除
  11. 11. レコメンドを受けているユーザの判別 •2008/02~2010/08に初めて評価をしたユーザのみ対象 •評価した映画がレコメンドされたものとする基準 ̶ 評価した映画が,3か月~3時間前の間にTop Picks For You のページに表示されていること
  12. 12. レコメンドを受けているユーザの判別 •継続的なレコメンドの影響を評価したい •各ブロックに1つでもレコメンドされた映画を評価して いたら,そのブロックはレコメンドの影響下とする ⇒ ユーザごとのレコメンドブロックの割合を求める •求めた割合が, >50% ⇒ Following group =0% ⇒ Ignoring group recommended not recommended block block block この場合66% ⇒ Following group
  13. 13. コンテンツの多様性の指標 •Tag genome ̶ 映画とタグ間のスコアを算出したデータセット •2作品間の類似度 ̶ それぞれの作品の,タグの スコアを成分としたベクトル 間のユークリッド距離 •コンテンツのリストの, average pair-wise distances ⇒ 多様性の指標
  14. 14. コンテンツの変化の判別 ユーザが見た映画の多様性の分布 • 多様性の分布は正規分布に近似可 • 分布の平均の差でレコメンドの効 果を測定 • 2グループそれぞれにおいて,期 間の最初と最後の多様性の分布を 求め,比較 • t検定を用いて,2つの分布の平均 の差が有意かどうかを判別
  15. 15. 結果 •Q1:レコメンドシステムによるコンテンツの範囲は時 間経過とともに狭まっていくか •A. 狭まっていく •Following group > Ignoring group •差は縮まってきている Top Picks For Youの多様性
  16. 16. 結果 •Q2:レコメンドを受けるユーザの経験は,受けない ユーザの経験とどう違うか •最初は両者の多様性に差はない •最後には両者多様性が減少している •Ignoring groupの方がより減少している 評価した(見た)映画の多様性
  17. 17. 結果 •Following groupの評価はほぼ変わらない一方,Ignoring groupの評価は有意に下がっている 2グループの映画の評価の平均 レコメンドを受ける方が効用高い
  18. 18. Discussion •全ユーザにおいてレコメンドされるアイテムと評価し たアイテム両方の多様性が減少 •しかしこの効果はFollowing groupには緩和されていた レコメンドを受ける ⇒ Filter Bubbleをリスク減
  19. 19. Discussion •レコメンドを受けようが受けまいが多様性は下がる ̶ 最近見たものをベースに傾向が形作られ,数が増えるに つれ趣味嗜好が固まってくる ̶ ジャンルには限りがあり,1通り見た後は1番好みの領域 に近い映画群を見るようになる •協調フィルタリングによるレコメンドシステムはこの 傾向を緩和する
  20. 20. Discussion •どうレコメンドシステムを作れば多様性を保てるか •MovieLensのように協調フィルタリングを用いる ̶ 内容の類似度などでレコメンドすると,多様性を強く減 少させる可能性 •ユーザに多様性の指標などを公開する ̶ 特定の興味に強くとらわれていることを客観視できる

×