Fairness in group recommender systems

Abstract

Cílem této diplomové práce je prozkoumat oblast skupinových doporučovacích systémů s důrazem na férovost. V hlavní části práce jsme vytvořili novou agregační metodu, Exactly Proportional Fuzzy D'Hondt's Aggregation, která funguje nad jednouživatelskými doporučovacími systémy. Metodu jsme vyhodnotili na pěti datasetech, ve třech různých scénářích doporučování a s dvěma různými typy uměle vytvořených skupin. Navržený algoritmus fungoval příznivě, s ohledem na několik metrik spravedlivosti a zároveň si zachoval rozumnou relevantnost doporučení. Dále jsme vytvořili sadu nástrojů, které usnadňují proces vyhod- nocování skupinových doporučovacích systémů. Hlavními částmi jsou nástroje pro stahování dat, faktorizaci matic a skripty pro vytváření umělých skupin. Věříme, že tyto nástroje mohou přispět k reprodukovatelnějšímu výzkumu v oblasti skupinových doporučovacích systémů. 1

The goal of this thesis is to explore the area of group recommender systems with an emphasis on fairness. In the core part of our thesis, we have created a novel aggregation method called Exactly Proportional Fuzzy D'Hondt's Aggrega- tion that works on top of single-user recommender systems. We have evaluated it on five datasets, in three different recommendation scenarios, and with two different types of artificially created groups. The proposed algorithm performed favorably with respect to several fairness metrics while maintaining a reasonable utility of the recommendation. Furthermore, we have created a set of tools to simplify the evaluation pipeline of group recommender systems. The main parts of the pipeline are a dataset downloader, matrix factorizer, and synthetic group creation scripts. We believe these tools may contribute towards more reproducible research in the group recommender systems domain. 1