Amélioration des systèmes de recommandation collaborative basés sur la factorisation matricielle par moindres carrés alternés

Details

Supervisors

Saerens, Marco ; Leleux, Pierre

Faculty

Faculté des sciences

Degree label

Master [120] en science des données, orientation statistique, à finalité spécialisée

Abstract

Nous étudions l'équité dans les systèmes de recommandation collaborative, qui sont sensibles à différents types de biais. Nous nous intéressons particulièrement à l’influence que peut avoir les attributs sensibles (le genre, l’âge, la religion, l’ethnie…) des utilisateurs lors des recommandations, car pouvant créer des injustices envers ces derniers. Nous proposons à cet effet trois méthodes qui permettent de décorréler les recommandations des attributs sensibles. Ce qui aide à limiter l’impact/l’influence des attributs sensibles lors des recommandations et en particulier à réduire cette forme d’injustice.