Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/29314Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τσίντζου, Βιργινία | el |
| dc.date.accessioned | 2019-03-14T08:51:44Z | - |
| dc.date.available | 2019-03-14T08:51:44Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/29314 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.3082 | - |
| dc.rights | Default License | - |
| dc.subject | Recommendation systems | en |
| dc.title | Bias disparity in recommendation systems | en |
| dc.title | Προκατάληψη σε συστήματα συστάσεων | el |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Recommendation systems | en |
| heal.dateAvailable | 2019-03-14T08:52:44Z | - |
| heal.language | en | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.publicationDate | 2018 | - |
| heal.bibliographicCitation | Βιβλιογραφία: σ. 55-58 | el |
| heal.abstract | Recommender systems have been applied successfully in a number of different domains, such as, entertainment, commerce, and employment. Their success lies in their ability to exploit the collective behavior of users in order to deliver highly targeted, personalized recommendations. Given that recommenders learn from user preferences, they incorporate different biases that users exhibit in the input data. More importantly, there are cases where recommenders may amplify such biases, leading to the phenomenon of bias disparity. Amplifying bias for different groups of users can lead to isolating sensitive groups or indirect discrimination. The goal of this thesis is to study bias disparity in recommender systems. To this end, we define metrics for bias and bias disparity for recommendation systems. Then, we consider variants of the K-Nearest Neighbors recommendation algorithms, and we perform a systematic analysis of their behavior using synthetic data. The goal is to understand the conditions under which those algorithms exhibit bias disparity, and the long-term effect of recommendations on data bias. We observe that even moderate amount of bias, and small biased groups can lead to significant bias amplification. Using the Movielens dataset, we also present cases of real data where bias is observed and confirm bias disparity on recommendations. To address the problem of bias disparity, two algorithms that post-process recommendations are considered. The algorithms re-rank the results of any recommendation algorithm in order to produce new sets of recommendations where bias disparity is eliminated. Each bias correcting algorithm aims at providing useful recommendations by targeting the utility of the user group or the least satisfied user in the group. We conclude that correcting bias in recommendations slows down the polarization of users in the long-term. | en |
| heal.abstract | Τα συστήματα συστάσεων έχουν μεγάλο πλήθος εφαρμογών, που συχνά βρίσκο- νται στο διαδίκτυο. Για παράδειγμα, ηλεκτρονικά καταστήματα τα χρησιμοποιούν για να προτέινουν προϊόντα στους χρήστες, μέσα κοινωνικής δικτύωσης προτείνουν τη σύνδεση με άλλους χρήστες, μηχανές αναζήτησης εργασίας προτείνουν θέσεις εργασίας σχετικές με τους χρήστες, κ.ά. Η χρησιμότητα και η αποτελεσματικότητα των αλγορίθμων συστάσεων οφείλεται στο γεγονός ότι βασίζονται στις ιδιαίτερες προτιμήσεις των χρηστών που συλλέγονται από τις αλληλεπιδράσεις τους με κά- ποιο σύστημα. Τα μοντέλα συστάσεων ενσωματώνουν τις προτιμήσεις αυτές και παράγουν πιο στοχευμένες προσωπικές συστάσεις. Οι επιλογές των χρηστών συ- χνά χαρακτηρίζονται από διάφορες προκαταλήψεις. Η εκπαίδευση ενός μοντέλου σε δεδομένα που χαρακτηρίζονται από τη μεροληψία των χρηστών, οδηγεί στην αναπαραγωγή και αύξηση της προκατάληψης στις συστάσεις. Η αύξηση της προ- κατάληψης στις συστάσεις σε συγκεκριμένες ομάδες χρηστών μπορεί να οδηγήσει στην αναπαραγωγή στερεοτύπων, διακρίσεις και απομόνωση ευαίσθητων κοινωνι- κών ομάδων. Αυτή η εργασία έχει στόχο να μελετήσει την ανισότητα της προκατάληψης με- ταξύ των δεδομένων προτιμήσεων των χρηστών και των συστάσεων των αλγορίθ- μων. Ορίζουμε μετρικές για την προκατάληψη και την ανισότητα της προκατάλη- ψης των συστημάτων συστάσεων. Επιλέγουμε τέσσερα διαφορετικά μοντέλα συ- στάσεων που είναι διάφορες παραλλαγές του αλγορίθμου Κοντινότεροι Γείτονες και δημιουργώντας συνθετικά δεδομένα, παρατηρούμε τη συμπεριφορά των αλ- γορίθμων συστάσεων σε διάφορες περιπτώσεις με στόχο να κατανοήσουμε ποιες συνθήκες προκαλούν αύξηση της προκατάληψης στις συστάσεις. Επιπλέον, μελε- τάμε την μακροπρόθεσμη επίδραση των μοντέλων ενσωματώνοντας τις συστάσεις στα δεδομένα. Διαπιστώνουμε ότι ακόμη και στις περιπτώσεις που τα δεδομένα προτιμήσεων των χρηστών χαρακτηρίζονται από μέτρια προκατάληψη ή υπάρχουν μικρές ομάδες χρηστών με προκατάληψη, τότε οι συστάσεις μπορεί να οδηγηθούν σε σημαντική αύξηση της προκατάληψης στα αποτελέσματα. Παρουσιάζουμε πε- ριπτώσεις πραγματικών δεδομένων με προκατάληψη χρησιμοποιώντας το σύνολο δεδομένων Movielens, οι οποίες επιβεβαιώνουν τα ευρήματα. Τέλος, για να αντιμετωπιστεί το πρόβλημα της ανισότητας της προκατάληψης στις συστάσεις, προτείνουμε δύο αλγορίθμους επεξεργασίας των συστάσεων από οποιοδήποτε υπάρχον μοντέλο. Οι αλγόριθμοι αναδιατάσσουν τα αποτελέσματα του αλγορίθμου συστάσεων και παράγουν νέα σύνολα συστάσεων που διατηρούν σταθερή την προκατάληψη των δεδομένων εισόδου. Οι αλγόριθμοι διόρθωσης πα- ράλληλα στοχεύουν να επιστρέφουν αξιόλογες συστάσεις που έχουν υψηλή χρησι- μότητα, η οποία ορίζεται είτε για το σύνολο μιας ομάδας χρηστών, είτε ατομικά για όλους τους χρήστες. Ο πρώτος αλγόριθμος ονομάζεται GULM και στοχεύει οι νέες συστάσεις να έχουν χαμηλή απώλεια χρησιμότητας σε σχέση με τις αρχικές συστάσεις, κατά μέσο όρο, για όλη την ομάδα χρηστών. Ο δεύτερος αλγόριθμος ονο- μάζεται MULM και παράγει νέες συστάσεις οι οποίες δεν αδικούν κάποιο χρήστη και ελαχιστοποιούν τη μέγιστη απώλεια χρήστη, δηλαδή την απώλεια χρησιμότητας στο νέο σύνολο συστάσεων για το χρήστη σε σχέση με το αρχικό. Εξετάζουμε τη συμπεριφορά των αλγορίθμων διόρθωσης και επιβεβαιώνουμε την αποδοτικότητά τους. | el |
| heal.advisorName | Τσαπάρας, Παναγιώτης | el |
| heal.committeeMemberName | Τσαπάρας, Παναγιώτης | el |
| heal.committeeMemberName | Μαμουλής, Νικόλαος | el |
| heal.committeeMemberName | Πιτουρά, Ευαγγελία | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 60 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΥ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. ΤΣΙΝΤΖΟΥ ΒΙΡΓΙΝΙΑ 2018.pdf | 415.28 kB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
