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

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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