Equité des systèmes de recommandation : les perspectives du choix social
Auteur / Autrice : | Virginie Do |
Direction : | Jamal Atif, Jérôme Lang, Nicolas Usunier |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 11/07/2023 |
Etablissement(s) : | Université Paris sciences et lettres |
Ecole(s) doctorale(s) : | Ecole doctorale SDOSE (Paris) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision (Paris) - Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision / LAMSADE |
établissement opérateur d'inscription : Université Paris Dauphine-PSL (1968-....) | |
Jury : | Président / Présidente : Yann Chevaleyre |
Examinateurs / Examinatrices : Jamal Atif, Jérôme Lang, Nicolas Usunier, Yann Chevaleyre, Patrick Loiseau, Julia Stoyanovich, Isabel Valera, Craig Boutilier | |
Rapporteurs / Rapporteuses : Patrick Loiseau, Julia Stoyanovich |
Résumé
Les algorithmes d'apprentissage automatique (machine learning) sont largement utilisés dans les systèmes de recommandation pour personnaliser les suggestions de contenu en fonction des préférences des utilisateurs. Cependant, ces algorithmes peuvent involontairement favoriser certains producteurs tout en négligeant d'autres, soulevant des préoccupations éthiques et sociétales concernant l'équité et la représentation. Ce travail vise à créer des algorithmes de recommandation plus équitable qui équilibrent les préférences des utilisateurs avec le bien-être des producteurs de contenu. En abordant les défis liés à la définition de l'équité et à l'efficacité computationnelle, nous proposons un cadre ancré dans la théorie du choix social. ce cadre guide le développement de nouvelles méthode de recommandation qui distribuent équitablement l'exposition aux producteurs de contenu sans compromettre la qualité des recommandations. Nos méthodes sont étayées par des garanties théoriques concernant l'équité, la convergence et l'efficacité computationnelle, ainsi que par des évaluations sur des jeux de données.