Integrating Matrix Factorization with Fair Re-Ranking for Improved Personalization in Recommender Systems
Notice bibliographique
Résumé
Recommender systems play an essential role in simplifying personalized content recommendations and providing users with suggestions tailored to their preferences and behaviors. Despite their widespread use, recommender systems are not without challenges. These challenges are related to issues of fairness, prejudice or bias and high consumption of resources that often cause these systems problems. This research presents a comprehensive review on enhancing recommender systems using hybrid methods and integrating them with matrix factorization techniques. This study introduces a new hybrid approach that attempts to ameliorate concerns about fairness and directionality in recommendation results. To improve the overall recommendation process, this study uses the matrix factorization technique, which provides a detailed understanding of user-item interactions. The purpose of this integration is to increase fairness in the fairness optimization model. This study is investigated on three diverse datasets MovieLens, Epinions and Gowalla, which provides a multifaceted evaluation of the proposed methods. This research includes the implementation of three methods to investigate fairness and orientation, which is placed in the framework of a fairness model, and this model is combined with matrix factorization. The introduction of matrix factorization in these methods aims to improve the recommendation process, understand user preferences and item characteristics. This innovation attempts to eliminate biases and ensure a more even distribution of recommendations across user groups. In general, the amount of fairness that has been done by the fairness optimization model, the fairness evaluation values show that the fairness in the first data set increased by 6%, in the second data set by 7% and in the third data set by 5%. has done as a result, the integration of matrix factorization techniques, along with fairness considerations and re-ranking strategies, shows significant improvements in the performance of recommender systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».