Équité multipartite du tri sur des plateformes de recommandation

Fairness in multistakeholder recommendation platforms

• Auteur / Autrice : Till Kletti
• Direction : Patrick Loiseau, Sihem Amer-Yahia
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et informatique
• Date : Soutenance le 29/06/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de Grenoble (2007-....)
• Partenaire(s) de recherche : Equipe de recherche : Équipe-projet Évaluation et optimisation des performances des grandes infrastructures (Montbonnot-Saint-Martin, Isère ; 2016-....)
• Partenaire(s) de recherche : CIFRE : Naver Labs (Meylan)
• Jury : Président / Présidente : Nadia Brauner
• Jury : Examinateurs / Examinatrices : Jean-Michel Loubès, Jean-Michel Renders
• Jury : Rapporteurs / Rapporteuses : Nicolas Usunier, Fernando Diaz, Jean-Michel Loubès

Mots clés

Mots clés contrôlés

Sites Web -- Référencement

Statistique bayésienne

Systèmes de recommandation (informatique)

Mots clés libres

Recommandation

Classement

Multipartite

Équité

Expohédron

Combinatoire

Recommendation

Ranking

Multistakeholder

Fairness

Expohedron

Combinatorics

Résumé

L’objet d’étude de cette thèse est le classement d’objets potentiellement pertinents en réponse à une requête d’information, par exemple lors de l’utilisation d’un moteur de recherche ou lors de la recommandation de contenu en ligne. Un tel classement met en contact deux groupes:les utilisateurs en quête d’informations pertinentes, mais aussi les producteurs de contenu, dont l’objectif est de faire voir l’information produite. Par exemple lors d’une recherche de restaurants,l’intérêt de l’utilisateur est de se voir proposer des restaurants de qualité et de passer une bonne soirée, tandis que l’intérêt des restaurateurs sera d’être vu par bon nombre de personnes, afin d’attirer de la clientèle. Les objets à classer entrent ainsi en compétition les uns avec les autres et il est dans l’intérêt de la plateforme générant les classements, de veiller à ce que la visibilité allouée aux objets soit équitablement répartie. De toute évidence il existe un grand nombre de possibilités pour définir ce que signifie équitablement et aucune d’entre elles ne fera l’unanimité.Par conséquent dans cette thèse la définition d’équité est prise comme un paramètre représenté par un vecteur de mérite, qui détermine la proportion avec laquelle la visibilité doit être répartie parmi les objets classés dans une situation équitable. Cela rendra notre méthode applicable à un large éventail de définitions possibles.Dès lors deux choses apparaissent. Premièrement il n’existe pas en général de classement,qui soit équitable au sens de la proportionnalité de la visibilité au mérite. Il est donc nécessaire de produire plusieurs classements, qui se compensent les uns les autres de façon à donner, en moyenne, une visibilité équitable aux objets. Deuxièmement ces classements ne donnent en général pas une utilité maximale pour l’utilisateur. En effet pour garantir l’équité, des objets moins pertinents pourraient lui être montrés. Ces deux objectifs, équité et utilité, ne sont donc pas optimisables simultanément.La contribution de cette thèse consiste en l’élaboration de méthodes permettant de déterminer des séquences de classements optimales dans le sens de Pareto, c’est-à-dire telles qu’il ne soit pas possible d’améliorer l’un des deux objectifs sans détériorer l’autre. L’idée est que cela permette à un preneur de décision qualifié de choisir, en connaissance de cause, un compromis adéquat entre utilité de l’utilisateur et équité entre les objets.La détermination de ces séquences optimales est accomplie via l’introduction d’un objet géométrique, d’un polytope baptisé expohédron. Ce polytope exprime exprime l’ensemble des visibilités moyennes atteignables avec des séquences de classement et constitue ainsi un bon espace de décision à la fois pour l’équité et pour l’utilité. L’expohédron permet de calculer les séquences par la seule utilisation de constructions géométriques en son intérieur, mathématiquement exactes, et ce de façon significativement plus rapide que ne le permettaient de faire des méthodes précédentes basées sur des programmes linéaires. De plus la méthode proposée est appicable à deux grandes gammes de modèles de visibilité incluant les modèles plus connus sous leur nom anglais Position Based Model (PBM) et Dynamic Bayesian Network (DBN), ce dernier plus complexe ne permettant pas l’application de programmes linéaires.

The object of study of this thesis is the ranking of potentially relevant objects in response toan information request, for example when using a search engine or in the case of online con-tent recommendation. Such a ranking brings together two groups: users searching for relevantinformation, and content producers, whose goal is to make the produced information visible.For example, when searching for restaurants, the user is interested in seeing good restaurants,while the interest of the restaurant owners is to be seen by many people, in order to attract cus-tomers. The objects to be ranked are thus competing with each other and it is in the interestof the platform generating the rankings to ensure that the exposure allocated to the objects isfairly distributed. Obviously there are many possibilities of defining what fair means and noneof them will be unanimously agreed upon. Therefore in this thesis the definition of fairness istaken as a parameter represented by a vector of merit, which determines the proportion withwhich visibility should be distributed amongst the items. This will make our method applicableto a wide range of possible definitions.Two things then become apparent. First, there does not in general exists ranking that is fairin the sense of proportionality of exposure to merit. It is therefore necessary to produce severalrankings that compensate each other in order to give, on average, fair exposures to the items.Secondly, these rankings do not generally give maximum utility to the user. Indeed, to guaranteefairness, less relevant objects could potentially be shown to him. These two objectives, fairnessand utility, are thus not simultaneously optimizable.The contribution of this thesis is to develop methods to determine Pareto optimal rankingsequences, i.e. such that it is not possible to improve one of the two objectives without deteri-orating the other. The idea is that this would make it possible for a qualified decision maker tomake an informed choice about an adequate trade-off between user utility and fairness amongstitems.The determination of these optimal sequences is accomplished via the introduction of a ge-ometric object, a polytope named expohedron. This polytope expresses the set of average expo-sures attainable with ranking sequences and is therefore a good decision space for both fairnessand utility. The expohedron makes it possible to compute these optimal ranking sequences us-ing only mathematically exact geometric constructions inside it, and this in a significantly fasterway than previous methods based on linear programming. Moreover, the proposed method isapplicable to two large classes of exposure models including Position Based Model (PBM) andDynamic Bayesian Network (DBN) models to which linear programming is not applicable.