Implementação de algoritmos de medidas de justiça social em sistemas de recomendação

Abstract

RESUMO: Sistemas de recomendação vieram para mudar o mundo, facilitando a vida das pessoas. Trata-se de uma tecnologia indispensável para diversas plataformas, como: Netflix, Youtube, Spotfy, plataformas de e-commerce, e etc. Sua função é fazer recomendações de produtos para o consumidor, agindo como um vendedor virtual. O papel crescente dos sistemas de recomendação em muitos aspectos da sociedade se apresenta como essencial, e considerar o uso de tais sistemas pode impactar o bem social. Várias modificações nos algoritmos de recomendação foram propostas para otimizar seu desempenho para situações sociais específicas com medidas relevantes. O problema da injustiça em sistemas de recomendação onde usuários são agrupados em grupos privilegiados e desprivilegiados, a parte beneficiada representa apenas uma pequena proporção dos dados, e dispõem de uma qualidade de recomendação superior aos desprivilegiados. Portanto no presente trabalho, afim de medir a imparcialidade das recomendações aos usuários e grupos de usuários em sistemas de recomendação, foram propostas funções para medir a justiça social de sistemas recomendação através da polarização, justiça individual e justiça do grupo. Foi verificado até que ponto as classificações previstas para os itens variam (divergem) entre os usuários para encontrar e medida da polarização. Essas funções consistem e estendem propostas que incluem medir a justiça individual, e justiça do grupo, buscando medir o erro das recomendações para cada indivíduo, ou erro dos grupos de pessoas. Foram também avaliados e comparados diferentes resultados das medidas entre cinco tipos de sistemas de recomendação diferentes, para assim dizer qual sistema foi menos polarizado, qual tratou melhor da justiça individual, e qual foi mais justo com um grupo de usuários.

ABSTRACT: Recommender systems came to change the world, making people’s lives easier. It is an indispensable technology for several platforms, such as: Netflix, Youtube, Spotfy, e-commerce platforms, etc. Its role is to make product recommendations for the consumer, acting as a virtual salesperson. The growing role of recommender systems in many aspects of society appears to be essential, and considering the use of such systems can impact social good. Several modifications to recommendation algorithms have been proposed to optimize their performance for specific social situations with relevant measures. The problem of unfairness in recommendation systems where users are grouped into privileged and underprivileged groups, the benefited party represents only a small proportion of the data, and have a higher recommendation quality than the underprivileged. Therefore, in the present work, in order to measure the impartiality of recommendations to users and groups of users in recommendation systems, functions were proposed to measure the social justice of recommendation systems through polarization, individual justice and group justice. The extent to which predicted ratings for items vary (diverge) across users was verified to find and measure polarization. These functions consist of and extend proposals that include measuring individual justice, and group justice, seeking to measure the error of recommendations for each individual, or error of groups of people. Different measurement results were also evaluated and compared between five different types of recommender systems, so to say which system was less polarized, which dealt better with individual fairness, and which was fairer with a group of users.