사용자 인기도 선호도에 따른 추천 조율

Aligning Recommendations with User Popularity Preferences

추천 시스템에서 인기도 편향은 흔히 발생하는 문제로, 추천 결과가 인기 아이템에 지나치게 편중되는 현상입니다. 이는 '더 인기 있는 아이템이 더 많이 추천되는' 현상을 심화시키고 콘텐츠의 다양성을 저해할 뿐만 아니라, 사용자의 인기 콘텐츠 또는 틈새 콘텐츠 선호도와 추천 결과의 불일치를 야기할 수 있습니다. 본 연구에서는 사용자와 추천 시스템 간의 정렬 관점에서 인기도 편향을 분석합니다. 이를 위해, 사용자의 과거 인기도 선호도와 추천된 아이템의 인기도 간의 불일치를 정량적으로 측정하는 프레임워크인 '인기도 분위수 보정(Popularity Quantile Calibration)'을 제시합니다. 인기도 정렬이라는 개념을 바탕으로, 활성화 제어를 기반으로 한 순차 추천 시스템의 추론 시간(inference time)에 적용 가능한 완화 방법인 SPREE를 제안합니다. SPREE는 표현 공간에서 인기도 방향을 식별하고, 각 사용자의 개인별 인기도 편향을 추정하여 모델 활성화를 적응적으로 조절합니다. SPREE는 전역적 편향 감소 방식과 달리, 인기도를 균일하게 줄이는 대신, 사용자 맞춤형 정렬을 목표로 합니다. 다양한 데이터셋에 대한 실험 결과, SPREE는 사용자 수준의 인기도 정렬을 지속적으로 향상시키면서 추천 품질을 유지하는 것으로 나타났습니다.

Popularity bias is a pervasive problem in recommender systems, where recommendations disproportionately favor popular items. This not only results in "rich-get-richer" dynamics and a homogenization of visible content, but can also lead to misalignment of recommendations with individual users' preferences for popular or niche content. This work studies popularity bias through the lens of user-recommender alignment. To this end, we introduce Popularity Quantile Calibration, a measurement framework that quantifies misalignment between a user's historical popularity preference and the popularity of their recommendations. Building on this notion of popularity alignment, we propose SPREE, an inference-time mitigation method for sequential recommenders based on activation steering. SPREE identifies a popularity direction in representation space and adaptively steers model activations based on an estimate of each user's personal popularity bias, allowing both the direction and magnitude of steering to vary across users. Unlike global debiasing approaches, SPREE explicitly targets alignment rather than uniformly reducing popularity. Experiments across multiple datasets show that SPREE consistently improves user-level popularity alignment while preserving recommendation quality.