동적 추천에서의 인기 편향

인기 편향은 추천 시스템에서 오랜 기간 지속된 문제입니다: 인기 있는 아이템이 과도하게 추천되어 사용자들이 관심 있을 수 있는 덜 인기 있는 아이템이 적게 추천되는 문제가 발생합니다. 이러한 편향은 사용자와 아이템 제공자 모두에게 해로운 영향을 미치며, 이를 연구하고 해결하려는 많은 노력이 있었습니다. 그러나 대부분 기존 연구는 인기 편향을 정적 설정에 두고, 기록된 데이터로 단일 추천 라운드에서만 편향을 분석합니다. 이러한 연구는 실제 추천 과정의 동적인 특성을 반영하지 못하여 몇 가지 중요한 연구 질문이 답변되지 않았습니다: 동적 시나리오에서 인기 편향은 어떻게 진화하는가? 동적 추천 과정의 고유한 요인들이 편향에 미치는 영향은 무엇인가? 그리고 이러한 장기 동적 과정에서 어떻게 편향을 제거할 수 있는가? 본 연구에서는 동적 추천에서의 인기 편향을 조사하고 이러한 연구 공백을 메우고자 합니다. 구체적으로, 시뮬레이션 실험을 통해 동적 시나리오에서 인기 편향을 분석하는 실증 연구를 수행하고, 동적 편향 제거 전략과 잘못된 긍정 신호를 활용한 새로운 False Positive Correction 방법을 제안하여 광범위한 실험에서 효과적인 성능을 보여줍니다.