Equité des systèmes de recommandation : les perspectives du choix social

Fairness in recommender systems : insights from social choice

• 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
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Paris Dauphine-PSL (1968-....)
• Jury : Président / Présidente : Yann Chevaleyre
• Jury : Examinateurs / Examinatrices : Jamal Atif, Jérôme Lang, Nicolas Usunier, Yann Chevaleyre, Patrick Loiseau, Julia Stoyanovich, Isabel Valera, Craig Boutilier
• Jury : Rapporteurs / Rapporteuses : Patrick Loiseau, Julia Stoyanovich

Mots clés

Mots clés contrôlés

Économie normative

Problème du bandit manchot

Apprentissage automatique

Mots clés libres

Équité

Systèmes de recommandation

Classement

Apprentissage automatique

Choix social

Économie normative

Apprentissage automatique

Algorithmes de bandit

Fairness

Recommender systems

Ranking

Machine learning

Social choice

Welfare economics

Convex optimization

Bandit algorithms

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.

Machine learning algorithms are widely used in the recommender systems for personalizing content recommendations based on user preferences. However, these algorithms can inadvertently promote certain producers while overlooking others, raising ethical and societal concerns about fairness and representation. This work aims to create fairer recommendation algorithms that balance user preferences with content producer welfare. Addressing the challenges of defining fairness for ranked recommendations and preserving computational efficiency, we propose a framework grounded in social choice theory. This framework guides the development of new recommendation methods that fairly distribute exposure to content producers without compromising rcommendation quality. Our methods are substantiated by theoretical guarantees of fairness, convergence and computational efficiency, as well as real-world dataset evaluations.