Tese

Explorando Formas de Calibração e Redução do Viés de Popularidade em Sistemas de Recomendação (2024)

• Authors:
  • Souza, Rodrigo Ferrari de
  • Manzato, Marcelo Garcia (Orientador)
• Autor USP: SOUZA, RODRIGO FERRARI DE - ICMC
• Unidade: ICMC
• Sigla do Departamento: SCC
• DOI: 10.11606/D.55.2024.tde-11072024-151014
• Subjects: SISTEMAS DE RECOMENDAÇÃO; RECUPERAÇÃO DA INFORMAÇÃO; INTERAÇÃO HOMEM-MÁQUINA
• Keywords: Biases; Calibração; Calibration; Fairness; Justiça; Recommender systems; Vieses
• Language: Português
• Abstract: Em grande parte das aplicações de sistemas de recomendação é importante aumentar o engajamento dos usuários, de modo a apresentar novos conteúdos de seu interesse. Para isso, podem ser utilizados alguns algoritmos de recomendação, como os algoritmos de filtragem colaborativa, que promovem itens similares àqueles que os usuários se interessam, ajudando-os a descobrir novos tipos de conteúdo de que gostam. No entanto, trabalhos recentes mostraram que esse tipo de abordagem apresenta uma conexão entre injustiça, erro de calibração e viés de popularidade nos Sistemas de Recomendação. Ainda que o viés de popularidade promova o consumo de itens mais populares, esse fenômeno também afeta a calibração e justiça das recomendações, onde os gostos de certos usuários não são representados de maneira justa pelo sistema, enquanto outros usuários recebem recomendações consistentes com suas preferências. Nesse sentido, alguns dos trabalhos mais recentes em calibração focam apenas em fornecer recomendações mais justas, não considerando o viés de popularidade que pode amplificar o efeito de cauda longa. Embora outros trabalhos tentem reduzir o impacto do viés de popularidade, não levam em conta o nível de preferência dos usuários por essa característica. Para preencher essa lacuna de pesquisa, o nosso objetivo neste trabalho é estudar formas de calibrar o sistema para trazer recomendações coerentes com as preferências dos usuários e que reduzam o impacto do viés de popularidade. Assim, aproposta é a realização de um estudo sobre abordagens de calibração e de redução do viés de popularidade que tragam recomendações coerentes com os interesses dos usuários de acordo com diferentes níveis de popularidade, sem afetar consideravelmente o nível de satisfação dos usuários com o conteúdo recomendado. Esta pesquisa apresenta contribuições relacionadas à calibração, justiça, experiência do usuário e métricas de avaliação do sistema.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2024
• Data da defesa: 27.05.2024

Informações sobre o DOI: 10.11606/D.55.2024.tde-11072024-151014 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo é de acesso aberto
• URL de acesso aberto
• Cor do Acesso Aberto: gold
• Licença: cc-by-nc-sa

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  SOUZA, Rodrigo Ferrari de. Explorando Formas de Calibração e Redução do Viés de Popularidade em Sistemas de Recomendação. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11072024-151014/. Acesso em: 29 dez. 2025.

• APA

  Souza, R. F. de. (2024). Explorando Formas de Calibração e Redução do Viés de Popularidade em Sistemas de Recomendação (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11072024-151014/

• NLM

  Souza RF de. Explorando Formas de Calibração e Redução do Viés de Popularidade em Sistemas de Recomendação [Internet]. 2024 ;[citado 2025 dez. 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11072024-151014/

• Vancouver

  Souza RF de. Explorando Formas de Calibração e Redução do Viés de Popularidade em Sistemas de Recomendação [Internet]. 2024 ;[citado 2025 dez. 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11072024-151014/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Enhancing calibration and reducing popularity bias in recommender systems
• A two-stage calibration approach for mitigating bias and fairness in recommender systems
• Uma abordagem em etapa de processamento para redução do viés de popularidade
• Explorando formas de calibração e redução do viés de popularidade em sistemas de recomendação
• User perception of fairness-calibrated recommendations
• Digitally nudging users to explore off-profile recommendations: here be dragons
• Counteracting popularity-bias and improving diversity through calibrated recommendations
• Calibração de sistemas de recomendação com LLMs: otimização de prompts para balancear precisão, diversidade e justiça
• Evaluating zero-shot large language models recommenders on popularity bias and unfairness: a comparative approach to traditional algorithms