Author:
Santos Rafael V. M.,Comarela Giovanni V.
Abstract
Este estudo investiga a equidade em sistemas de recomendação utilizando o dataset MovieLens, aplicando estratégias de filtragem colaborativa: ALS, KNN e NMF. Avaliamos a injustiça em diferentes configurações de agrupamento: Gênero, Idade, Avaliações e Aglomerativo. Os resultados indicam variações significativas de injustiça entre as estratégias, com o método Aglomerativo destacando-se por apresentar os maiores níveis de injustiça do grupo na maioria das abordagens. Esta análise sugere a necessidade de uma seleção cuidadosa da estratégia de filtragem e do método de agrupamento para promover sistemas de recomendação mais justos e inclusivos, destacando a importância de considerar múltiplas dimensões de injustiça na concepção destes sistemas.
Publisher
Sociedade Brasileira de Computação - SBC
Reference28 articles.
1. Beutel, A., Chi, E. H., Cheng, Z., Pham, H., and Anderson, J. (2017). Beyond globally optimal: Focused learning for improved recommendations. In Proceedings of the 26th International Conference on WWW 2017, Perth, Australia, April 3-7, 2017.
2. Bhargava, A., Bansal, A., and Goyal, V. (2022). Machine learning–based detection and sorting of multiple vegetables and fruits. Food Analytical Methods, 15:228–242.
3. Burke, R., Sonboli, N., and Ordonez-Gauger, A. (2018). Balanced neighborhoods for multi-sided fairness in recommendation. In FAT.
4. Celis, L. E., Deshpande, A., Kathuria, T., and Vishnoi, N. K. (2016). How to be fair and diverse? CoRR, abs/1610.07183.
5. Coelho, N. L. L., Figueiredo, T. F., and Figueiredo, R. (2023). Uso de programação linear inteira para geração e análise de agrupamentos de políticos da câmara dos deputados. In BraSNAM 2023 XII Brazilian Workshop on Social Network Analysis and Mining, João Pessoa, PB, Brasil. Sociedade Brasileira de Computação.