Κατάλογος Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παναγιώτη - Αγγέλου Γανωτή

με θέμα

Δικαιοσύνη μεταξύ Αντικειμένων σε Φιλικά προς το Δίκτυο Συστήματα Συστάσεων
Item Fairness in Network Friendly Recommendations Systems

Εξεταστική Επιτροπή 
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων) 
Καθηγητής Αθανάσιος Λιάβας 
Καθηγητής Γεώργιος Χαλκιαδάκης

Περίληψη

Τα Συστήματα Συστάσεων (RS) διαδραματίζουν κρίσιμο ρόλο στη διαμόρφωση των επιλογών των ανθρώπων. Αυτό το τεχνολογικό πεδίο είναι υπό αρκετή έρευνα τα τελευταία χρόνια, τόσο λόγω της χρησιμότητάς του για τους χρήστες όσο και λόγω των ηθικών του επιπτώσεων. Οι περισσότερες πλατφόρμες περιεχομένου και κοινωνικών μέσων χρησιμοποιούν συστήματα συστάσεων για να παρέχουν στους χρήστες τις πιο σχετικές και ελκυστικές επιλογές με βάση τις προηγούμενες προτιμήσεις τους. Οι τελευταίες εργασίες προτείνουν ότι η ενσωμάτωση της απόδοσης του δικτύου στο σχεδιασμό αλγορίθμων συστημάτων συστάσεων, φαίνεται να έχει σημαντικές προοπτικές. Ωστόσο, οι φιλικές προς το δίκτυο προσαρμογές των αλγορίθμων συστημάτων συστάσεων ενδέχεται να δημιουργήσουν αδικία για χρήστες και δημιουργούς περιεχομένου. Ένα σύστημα συστάσεων φιλικό προς το δίκτυο εισάγει επίσης μεροληψία προς (ένα μικρότερο σύνολο) περιεχομένου χαμηλού κόστους, αυξάνοντας τις ανησυχίες περί δικαιοσύνης τόσο για τους καταναλωτές όσο και για τους δημιουργούς. Η δικαιοσύνη θεωρείται πλέον μία συμπληρωματική διάσταση βελτιστοποίησης για την επίτευξη μιας κατάστασης ‘’τριπλού κέρδους’’ για παρόχους δικτύου/περιεχομένου, χρήστες και δημιουργούς περιεχομένου. Αυτή η διατριβή εστιάζει στη διερεύνηση της δημιουργίας «φυσαλίδων περιεχομένου» ως συγκεκριμένη μορφή αδικίας, η οποία δεν έχει μελετηθεί εκτενώς στο παρελθόν. Με απλά λόγια, μια «φούσκα περιεχομένου» σημαίνει ότι η επιλογή των προτεινόμενων αντικειμένων προς έναν χρήστη (ή ομάδα χρηστών) είναι λίγο διαφοροποιημένη προκειμένου να διευκολυνθεί η μείωση στο κόστος του δικτύου. Η κύρια συμβολή αυτής της διπλωματικής εργασίας είναι ο καθορισμός κατάλληλων μετρικών ώστε να μετρηθεί η «φούσκα περιεχομένου» και να απαντηθούν οι ακόλουθες ερωτήσεις: i) Οι αλγόριθμοι NF-RS ενισχύουν τις φυσαλίδες περιεχομένου και ii) οι τρέχουσες μετρικές δικαιοσύνης καταγράφουν αποτελεσματικά αυτό το ζήτημα;
Τα αποτελέσματα μας έδειξαν ότι οι υπάρχουσες μετρικές δεν αποτυπώνουν πλήρως το πρόβλημα της «φούσκας περιεχομένου» και επιπλέον, η ανοχή στην αδικία προκειμένου να δημιουργηθούν υψηλά κέρδη δικτύου μπορεί να προκαλέσει συστάσεις με έλλειψη ποικιλίας, ενισχύοντας το φαινόμενο της «φούσκας περιεχομένου».

Abstract 

Recommendation Systems (RS) play a crucial role in shaping narratives and influencing people’s choices. This technological field has seen a lot of research in recent years, both due to its utility to users and also due to its ethical implications. Most content and social media platforms use recommendation systems to give users the most relevant and engaging options based on their past preferences. Recent work suggests integrating network performance into the design of recommendation system algorithms, demonstrating considerable potential. However, network-friendly adaptations of RS algorithms may create unfairness for users and content providers. A Network-friendly Recommendation System also introduces bias toward (a smaller pool of) low-cost content, raising fairness concerns for both consumers and creators. Fairness is now considered a
complementary optimization dimension to achieve a ’win-win-win’ situation for network/content providers, users, and content creators. This thesis focuses on exploring the creation of ’content bubbles’ as a specific form of unfairness, which has not been extensively studied in the problem before. At a high level, a ’content bubble’ implies that the selection of items suggested to a user (or group of users) is less diversified in order to facilitate network cost reduction. The main contribution of this thesis is to define appropriate metrics to measure ’content bubble’ and answer the following questions: i) Do NF-RS algorithms foster content bubbles, and ii) Do current fairness metrics effectively address this issue? Our results have indicated that the existing metrics do not fully capture the ’content bubble’ problem and moreover, the tolerance of unfairness in order to establish high network gains may cause recommendations to lack diversity, strengthening the ’content bubble’ effect.