Aligning Recommendations with User Popularity Preferences

Titre : Alignement des recommandations avec les préférences de popularité des utilisateurs

Auteurs : Mona Schirmer et al. (University of Amsterdam, Amazon Music)

1. Problématique : Le biais de popularité et l'alignement utilisateur

Le biais de popularité est un problème persistant dans les systèmes de recommandation, où les items populaires sont surreprésentés au détriment des contenus de niche. Cela crée un effet « les riches deviennent plus riches », homogénéisant le contenu visible et renforçant les inégalités structurelles (ex. : sous-représentation des artistes féminines).

Cependant, l'article identifie une dimension souvent négligée : le désalignement entre les préférences individuelles des utilisateurs et les recommandations du système.

• Certains utilisateurs préfèrent naturellement les contenus très populaires, tandis que d'autres privilégient les niches.
• Les systèmes actuels appliquent souvent un biais global (soit trop populaire, soit trop niche) qui ne correspond pas à la distribution de popularité historique de chaque utilisateur spécifique.
• Objectif : Mesurer et corriger ce désalignement au niveau de l'utilisateur, plutôt que de simplement réduire la popularité globale du système.

2. Méthodologie

L'approche proposée se divise en deux volets principaux : un nouveau cadre de mesure et une méthode de mitigation par guidage d'activation.

A. Mesure : L'Étalonnage des Quantiles de Popularité (Popularity Quantile Calibration)

Les auteurs critiquent les métriques existantes (comme le Popularity Lift ou l'UPD) pour leur incapacité à capturer la cardinalité, la dispersion et l'ordinalité des préférences, ou pour leur manque de robustesse aux valeurs aberrantes.

Ils proposent un nouveau cadre basé sur la théorie de l'étalonnage :

1. Concept : On considère la préférence de popularité d'un utilisateur comme une distribution conditionnelle $p(s|u)$ (dérivée de son historique) et la distribution du recommandateur comme $q(s|u)$. Un système est aligné si $q$ reproduit fidèlement $p$.
2. Métrique PCE (Popularity Calibration Error) : Au lieu de comparer des moyennes, la méthode compare les fonctions de répartition cumulative (CDF) via leurs fonctions quantiles.
   • On définit une courbe d'étalonnage où l'axe X représente le quantile $\tau$ de la distribution des recommandations, et l'axe Y la fraction réelle d'items dans l'historique de l'utilisateur ayant une popularité inférieure à ce seuil.
   • Un système parfaitement aligné suit la diagonale $y=x$.
   • Le PCE est l'erreur quadratique moyenne entre cette courbe et la diagonale. Une valeur de 0 indique un alignement parfait.

B. Mitigation : SPREE (Steering PopulaRity toward human prEferEnces)

Pour corriger le biais sans réentraîner le modèle, les auteurs utilisent le guidage d'activation (activation steering) sur des recommandateurs séquentiels basés sur des Transformers (ex. SASRec).

1. Identification de la direction de popularité :
   • On génère deux ensembles de séquences artificielles : l'un avec des items très populaires ($D^+$) et l'autre avec des items de niche ($D^-$).
   • On calcule la différence moyenne des activations dans l'espace latent du modèle entre ces deux ensembles pour obtenir un vecteur de guidage $\mathbf{v}_{t,\ell}$ qui pointe vers les items moins populaires.
2. Guidage Adaptatif (Le cœur de SPREE) :
   • Contrairement aux méthodes précédentes qui appliquent un décalage uniforme, SPREE adapte la magnitude et le sens du guidage pour chaque utilisateur.
   • Un estimateur de biais $\hat{f}$ (un modèle de régression Lasso) prédit l'erreur de biais $e(u)$ de l'utilisateur à partir de ses activations internes.
   • La formule de correction devient : $\mathbf{x}^* = \mathbf{x} + \lambda \cdot \hat{f}(\mathbf{x}) \cdot \mathbf{v}$.
   • Si l'utilisateur préfère des items plus populaires que ceux recommandés, le système pousse vers la popularité. S'il préfère des niches, il pousse vers le long traîneau. Si l'alignement est bon, aucune correction n'est appliquée.

3. Contributions Clés

1. Analyse théorique : Une revue critique des métriques de biais de popularité sous l'angle de la théorie de la mesure, établissant des critères de validité (ordinalité, cardinalité, dispersion, invariance d'échelle, robustesse).
2. Nouvelle métrique (PCE) : Introduction d'une métrique basée sur l'étalonnage des quantiles qui capture fidèlement les préférences de distribution de popularité de chaque utilisateur.
3. Méthode SPREE : Un algorithme léger, fonctionnant au moment de l'inférence (sans réentraînement), qui corrige le biais de popularité de manière personnalisée en utilisant le guidage d'activation conditionnel.
4. Validation empirique : Démonstration que SPREE améliore l'alignement utilisateur tout en préservant la qualité des recommandations (NDCG), surpassant les méthodes globales et les approches de réordonnancement post-hoc.

4. Résultats Expérimentaux

Les expériences ont été menées sur quatre jeux de données (Foursquare, MovieLens-1M/20M, RateBeer) avec un modèle de base SASRec.

• Compromis Performance-Alignement : SPREE démontre le meilleur compromis (front de Pareto) entre la réduction de l'erreur d'alignement (PCE) et le maintien de la précision (NDCG).
  • Les méthodes globales (comme PopSteer ou IPR) réduisent la popularité globale mais augmentent le désalignement (PCE) car elles ignorent les préférences individuelles.
  • La méthode Personalized Popularity (PP) améliore l'alignement mais dégrade fortement la NDCG en recommandant uniquement des items déjà consommés.
  • SPREE réduit le PCE de 9% à 16% selon les jeux de données tout en maintenant (voire améliorant légèrement) la NDCG.
• Analyse des courbes d'étalonnage : Les courbes montrent que le modèle de base tend à recommander des items trop peu populaires (biais négatif) pour la plupart des utilisateurs. SPREE ramène la courbe vers la diagonale idéale, corrigeant ce biais sans sur-corriger.
• Ablation : L'expérience sans l'estimateur de biais (guidage uniforme) montre que l'approche uniforme dégrade l'alignement sur la plupart des jeux de données, prouvant que la personnalisation du guidage est essentielle.

5. Signification et Impact

Ce travail est significatif car il change de paradigme dans la lutte contre le biais de popularité :

• De la réduction globale à l'alignement individuel : Il ne s'agit plus de supprimer la popularité, mais d'ajuster le système pour qu'il reflète la diversité des goûts réels des utilisateurs.
• Efficacité opérationnelle : La méthode SPREE ne nécessite pas de réentraînement coûteux des modèles, ce qui la rend directement applicable dans des environnements de production (comme Amazon Music).
• Équité et Diversité : En permettant aux utilisateurs de retrouver des contenus de niche s'ils le souhaitent, et en évitant de forcer des contenus populaires à ceux qui les préfèrent, le système améliore l'expérience utilisateur et soutient une plus grande diversité culturelle sans sacrifier la performance.

En résumé, l'article propose une solution élégante et efficace pour transformer le biais de popularité d'un problème systémique en une question d'alignement personnalisé, résolvue par une combinaison de théorie de l'étalonnage et de techniques avancées d'interprétabilité des modèles (activation steering).