Implementação de Medidas de Justiça Social: Um Estudo de Caso no Contexto Cultural para Diferentes Estratégias em Sistemas de Recomendação
DOI:
https://doi.org/10.5753/isys.2024.4214Keywords:
Sistema de Recomendação, Justiça, Justiça Individual, Justiça do GrupoAbstract
Este estudo analisa a equidade em sistemas de recomendação, especificamente em um contexto musical, focando na compreensão das disparidades em diferentes estratégias de filtragem. Através da implementação de métricas de equidade, investigamos as injustiças individuais e de grupo entre várias abordagens de recomendação. Os resultados revelam variações significativas na justiça aplicada pelas estratégias examinadas, evidenciando a complexidade de alcançar equidade nesses sistemas. Concluímos que a análise detalhada da justiça em sistemas de recomendação é fundamental para identificar e entender as disparidades existentes, contribuindo para o desenvolvimento futuro de soluções mais equitativas.
Downloads
Referências
Barocas, S. and Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104(3):671–732.
Berk, R., Heidari, H., Jabbari, S., Joseph, M., Kearns, M. J., Morgenstern, J., Neel, S., and Roth, A. (2017). A convex framework for fair regression. CoRR, abs/1706.02409.
Beutel, A., Chi, E. H., Cheng, Z., Pham, H., and Anderson, J. (2017). Beyond globally optimal: Focused learning for improved recommendations. In Proceedings of the 26th International Conference on WWW 2017, Perth, Australia, April 3-7, 2017.
Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4):331–370.
Burke, R. (2007). Hybrid web recommender systems. In The adaptive web, pages 377–408. Springer.
Dwork, C., Hardt, M., Pitassi, T., Reingold, O., and Zemel, R. (2012). Fairness through awareness. In Proceedings of the 3rd Innovations in Theoretical Computer Science Conference, ITCS ’12, page 214–226, New York, NY, USA. Association for Computing Machinery.
Harper, F. M. and Konstan, J. A. (2015). The movielens datasets: History and context. Acm transactions on interactive intelligent systems (tiis), 5(4):1–19.
Kamishima, T., Akaho, S., Asoh, H., and Sakuma, J. (2018). Recommendation independence. In Friedler, S. A. and Wilson, C., editors, Proceedings of the 1st Conference on Fairness, Accountability and Transparency, volume 81 of Proceedings of Machine Learning Research, pages 187–201. PMLR.
Lops, P., de Gemmis, M., and Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. Recommender systems handbook, pages 73–105.
Su, X. and Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques. Advances in artificial intelligence, 2009.
Zafar, M. B., Valera, I., Gomez Rodriguez, M., and Gummadi, K. P. (2017). Fairness beyond disparate treatment & disparate impact: Learning classification without disparate mistreatment. In Proceedings of the 26th International Conference on World Wide Web, WWW '17, page 1171–1180, Republic and Canton of Geneva, CHE. International World Wide Web Conferences Steering Committee.
Zehlike, M., Su¨hr, T., Baeza-Yates, R., Bonchi, F., Castillo, C., and Hajian, S. (2022). Fair top-k ranking with multiple protected groups. Processing Management, 59(1):102707.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2024 iSys - Revista Brasileira de Sistemas de Informação
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
