Exploiting Calibration as a Multi-Objective Recommender System.

Abstract

Sistemas de Recomendação Colaborativa geram recomendações personalizadas analisando as interações anteriores dos usuários. No entanto, abordagens tradicionais frequentemente priorizam a relevância, levando a problemas como superespecialização, viés de popularidade e desequilíbrio de classes. Essas limitações podem resultar em listas de recomendações que não representam de forma justa todo o espectro de interesses de um usuário. Nesse sentido, Recomendações Calibradas abordam esse problema equilibrando relevância com justiça (calibração), garantindo que a distribuição dos itens recomendados se alinhe mais estreitamente com a distribuição de preferências do usuário. Por exemplo, quando o perfil do usuário compreende 80% de Aventura e 20% de Ficção Científica, a recomendação calibrada busca gerar uma lista seguindo essa distribuição. Relevância e calibração são dois objetivos distintos que o sistema deve atingir. Esse multiobjetivo é alcançado por meio de uma abordagem de equilíbrio de compensações. Esta tese aborda as recomendações calibradas como um sistema de recomendação multiobjetivo, com o objetivo de mensurar e aprimorar a calibração da lista de recomendações usando as preferências do usuário como alvo. Assim, dividimos os objetivos desta tese em estudos e, dentro de cada estudo, questões de pesquisa foram levantadas e respondidas. No primeiro estudo, comparamos sistematicamente 57 medidas de justiça, introduzindo novos métodos para extrair distribuições de preferências do usuário e refinar a estimativa de relevância. Como resultado, quatro medidas alcançam os mesmos quatro melhores desempenhos. No segundo estudo, exploramos o impacto mais amplo da calibração nos principais objetivos de recomendação, incluindo novidade, cobertura, personalização, imprevisibilidade e serendipidade. Nossas descobertas indicam que a calibração aprimora a cobertura e a personalização dos itens, mantendo alta utilidade da recomendação. No terceiro estudo, investigamos as propriedades estruturais das distribuições usadas em recomendações calibradas. Diferentemente dos sistemas de recomendação tradicionais que operam em um espaço unidimensional, as recomendações calibradas envolvem distribuições de preferências do usuário de alta dimensão. Nossa análise mostra que listas de recomendações calibradas formam naturalmente clusters de usuários distintos, um fenômeno melhor compreendido por meio de modelos de detecção de outliers. No quarto estudo, propomos duas novas abordagens para modelar as preferências do usuário a fim de aprimorar a precisão e a adaptabilidade das técnicas de calibração. O primeiro método incorpora ponderação sensível ao tempo para descontar informações de preferências desatualizadas. O segundo método introduz uma abordagem baseada em entropia para melhor capturar as preferências do usuário em domínios onde as características dos itens são definidas por valores, como filmes com múltiplos gêneros. Avaliações experimentais confirmam que essas abordagens reduzem efetivamente a calibração incorreta, mantendo a precisão das recomendações. De modo geral, esta tese avança o campo das recomendações calibradas ao fornecer uma avaliação abrangente de medidas de justiça, propor novas técnicas de calibração e analisar as propriedades estruturais das distribuições de preferências do usuário.