O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

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

180 visualizações

Publicada em

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

Publicada em: Dados e análise
  • Seja o primeiro a comentar

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

×