Explorando Justiça em Sistemas de Recomendação

• Diego Corrêa da Silva UFBA
• Frederico Araújo Durão UFBA

DOI: https://doi.org/10.5753/webmedia_estendido.2022.225303

Resumo

Sistemas de Recomendação são ferramentas utilizadas para sugerir itens, que sejam de interesse dos usuários. Estes sistemas baseiam-se no histórico de preferências do usuário para gerar uma lista com recomendações, que possuam maior similaridade ou relevância com o perfil do usuário. A recomendação baseada em similaridade/relevância pode causar efeitos colaterais na lista como: superespecialização das recomendações em um determinado núcleo de itens, pouca diversidade de categorias e desbalanceamento de gêneros. Assim, esta dissertação tem como objetivo explorar a calibragem, que é um meio para produzir recomendações que sejam relevantes aos usuários e ao mesmo tempo considerar todas as áreas de suas preferências. Para isto, foram propostas formas de realizar o balanceamento entre a relevância a calibragem, assim como um modelo conceitual de sistema calibrado e um protocolo de decisão. Os resultados indicam que a calibragem produz efeitos positivos tanto para a precisão quanto para a justiça.

Palavras-chave: Calibragem, Justiça, Métricas, Personalização, Recomendação

Referências

Himan Abdollahpouri, Masoud Mansoury, Robin Burke, and Bamshad Mobasher. 2019. The Impact of Popularity Bias on Fairness and Calibration in Recommendation. ArXiv (10 2019).

Himan Abdollahpouri, Masoud Mansoury, Robin Burke, and Bamshad Mobasher. 2020. The Connection Between Popularity Bias, Calibration, and Fairness in Recommendation. In Fourteenth ACM Conference on Recommender Systems. 726–731.

Sung-Hyuk Cha. 2007. Comprehensive Survey on Distance/Similarity Measures Between Probability Density Functions. International Journal of Mathematical Models and Methods in Applied Sciences 1, 4 (04 2007), 300–307.

Diego Corrêa da Silva and Frederico Araújo Durão. 2022. Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems.

Diego Corrêa da Silva, Marcelo Garcia Manzato, and Frederico Araújo Durão. 2021. Exploiting Personalized Calibration and Metrics for Fairness Recommendation. Expert Systems with Applications (2021), 115112.

Nicolas Hug. 2017. Surprise, a Python library for recommender systems.(2017).

Toshihiro Kamishima, Shotaro Akaho, and Hideki Asoh. 2012. Enhancement of the neutrality in recommendation. In Proc. of the 2nd Workshop on Human Decision Making in Recommender Systems. 8–14.

Mesut Kaya and Derek Bridge. 2019. A Comparison of Calibrated and Intent-Aware Recommendations. 151–159.

Kun Lin, Nasim Sonboli, Bamshad Mobasher, and Robin Burke. 2020.

Calibration in Collaborative Filtering Recommender Systems: A User-Centered Analysis. In Proceedings of the 31st ACM Conference on Hypertext and Social Media. 197–206.

Harald Steck. 2018. Calibrated Recommendations. In Proceedings of the 12th ACM Conference on Recommender Systems. 154–162.