İşbirlikçi filtreleme tabanlı tavsiye sistemlerinin popülerlik yanlılığı nedeniyle niş ilgi alanlarına sahip kullanıcılara daha düşük doğrulukta sonuçlar sunduğu saptandı

Graz Teknik Üniversitesi ve Know-Center GmbH araştırmacıları tarafından yayımlanan bir çalışmada, multimedya tavsiye sistemlerinde (MMRS) yaygın olarak kullanılan "işbirlikçi filtreleme" (CF) yönteminin, popüler olmayan içeriklere ilgi duyan kullanıcılar aleyhine sistematik bir yanlılık barındırdığı ortaya kondu. Kitap, film, müzik ve anime alanlarındaki veri setlerini inceleyen araştırma; sistemlerin popüler ögeleri aşırı temsil ettiğini ve "niş" zevklere sahip kullanıcılara sunulan önerilerin doğruluğunun istatistiksel olarak anlamlı derecede düşük olduğunu saptadı.

İşbirlikçi filtreleme algoritmalarının, içeriğin niteliğinden ziyade "sizin gibi kullanıcıların" tercihlerine odaklanması, sistemleri çoğunluğun ilgisini çeken popüler içerikleri öne çıkarmaya itmektedir. Çalışmada, popüler içeriklere ilgisi düşük olan kullanıcıların (LowPop grubu), genellikle daha geniş veri profillerine sahip olmalarına rağmen, sistemlerin "sürü" (herd) metriklerine olan bağımlılığı nedeniyle en düşük tahmin doğruluğuyla karşılaştıkları saptandı. Bu durum, kullanıcıların ilgi duymadıkları ana akım içeriklere maruz kalmasına yol açabilmektedir.

Raporda, Netflix ve Amazon gibi platformların bu yöntemleri farklı ek teknolojilerle desteklese de temel yapıdaki popülerlik yanlılığının etkilerinin sürdüğü belirtilmektedir. Örneğin Amazon’un kullandığı öge-öge işbirlikçi filtreleme yönteminin, seyrek verilerde veya kullanıcının alışılagelmiş tercihlerinin dışındaki tekil işlemlerinde (hediye alımı gibi) hatalı çıkarımlar yaparak "filtre balonları" oluşturma potansiyeli taşıdığı aktarılmıştır.

Araştırmacılar, mevcut algoritmaların popüler içeriklerin tüketimini artırırken, "uzun kuyrukta" (long-tail) yer alan içeriklerin görünürlüğünü kısıtladığını bulgulamıştır. Bu durumun içerik ekosisteminde yeni içeriklerin keşfedilmesini zorlaştırabileceği değerlendirilmektedir. Sorunun giderilmesi için içerik tabanlı filtreleme (CBF) veya yeniden sıralama (re-ranking) gibi yöntemlerin geliştirilmesi gerektiği, ancak bu çözümlerin mevcut sistemlere entegrasyonunun teknik zorluklar barındırdığı ifade edilmiştir.