Fairness in group recommender systems
| Název práce v češtině: | Problém férovosti ve skupinových doporučovacích systémech |
|---|---|
| Název v anglickém jazyce: | Fairness in group recommender systems |
| Klíčová slova: | skupinové doporučovací systémy|férovost|syntetické datasety|agregace preferencí |
| Klíčová slova anglicky: | group recommender systems|fairness|synthetic datasets|preference aggregation |
| Akademický rok vypsání: | 2020/2021 |
| Typ práce: | diplomová práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra softwarového inženýrství (32-KSI) |
| Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 04.01.2021 |
| Datum zadání: | 12.04.2021 |
| Datum potvrzení stud. oddělením: | 04.05.2021 |
| Datum a čas obhajoby: | 01.02.2023 09:00 |
| Datum odevzdání elektronické podoby: | 05.01.2023 |
| Datum odevzdání tištěné podoby: | 09.01.2023 |
| Datum proběhlé obhajoby: | 01.02.2023 |
| Oponenti: | doc. RNDr. Jakub Lokoč, Ph.D. |
| Zásady pro vypracování |
| Řešitel nejdříve získá přehled v oblasti doporučovacích systémů ([1-3]) především se zaměří na problematiku doporučování pro skupiny uživatelů ([4-6]). Zaměří se na použité metody, datasety a způsoby evaluace. Hlavním cílem práce je navrhnout či aplikovat na zmíněný problém metody zaměřené na dodržování férovosti/kalibrace doporučení (např. [7,8]) a jejich porovnání s existujícími přístupy v oblasti skupinového doporučování (především [4]).
Na základě prostudované literatury navrhne/upraví vhodné metody pro férové doporučování pro skupiny uživatelů. Zřetel bude brán i na možnost dlouhodobého doporučování pro stejnou skupinu uživatelů a možnost ovlivnit důležitost jednotlivých členů skupiny. Řešitel dále po prostudování relevantní literatury navrhne vhodné datasety, metriky a evaluační protokoly pro vyhodnocení úspěšnosti navržených metod. |
| Seznam odborné literatury |
| 1. Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
2. Charu C. Aggarwal: Recommender Systems: The Textbook, Springer, 2016 3. Alexandros Karatzoglou, Balázs Hidasi: Deep Learning for Recommender Systems (Tutorial). RecSys 2017: 396-397 4. Mesut Kaya, Derek Bridge, Nava Tintarev: Ensuring Fairness in Group Recommendations by Rank-Sensitive Balancing of Relevance, https://dl.acm.org/doi/10.1145/3383313.3412232 5. Linas Baltrunas, Tadas Makcinskas, and Francesco Ricci. 2010. Group recommendations with rank aggregation and collaborative filtering. In Procs. of the 4th ACM conference on Recommender Systems. 119–126. 6. Daniel Herzog and Wolfgang Wörndl. 2019. A User Study on Groups Interacting with Tourist Trip Recommender Systems in Public Spaces. In Procs. of the 27th ACM Conference on User Modeling, Adaptation and Personalization. 130–138. 7. Harald Steck: Calibrated recommendations, https://dl.acm.org/doi/10.1145/3240323.3240372 8. Ladislav Peska, Stepan Balcar: Fuzzy D’Hondt’s Algorithm for On-line Recommendations Aggregation, http://proceedings.mlr.press/v109/peska19a.html |