A fair, context-aware group recommender system

This thesis proposes a new method to obtain fair, context-aware group recommendations. It is shown how it is possible to incorporate a fairness element into a state-of-the-art context-aware group recommender systems, namely, the work by Quintarelli et al. called CtxInfl. The development process has been performed with the objective of obtaining a scalable method to be implemented in every Group Recommender System which rely on an aggregation method based on the computation of a score. Initially we introduce the concept of consensus as the fairness element we want to optimize. Then, we show the goodness of our method using two real-world datasets: the first one is a very large dataset containing the personal and group choices regarding TV programs of 7,921 users, while the second dataset has been created as part of the work carried out in this thesis by gathering the musical preferences (both individual and in groups) of 280 real users. We compare the results we obtained with those of other group recommender systems present in the literature and their fair counterparts (i.e., adjusted with our method), and with other group recommender systems which are already developed taking fairness into consideration. We evaluate the goodness of the recommendations using recall, while the ethicality is measured using two fairness measures found the literature. The results we obtained show an overall improvement in the performance both according to recall and fairness confirming the goodness of the proposed method.

Questa tesi propone un nuovo metodo per ottenere raccomandazioni di gruppo sia eque (in relazione al concetto di fairness) che contestuali (context-aware). Viene mostrato come è possibile incorporare l’elemento della fairness in recommender system di gruppo context-aware, in particolare, questa tesi ha l’obiettivo di estendere il lavoro di Quintarelli et al. chiamato CtxInfl. Lo sviluppo della tesi è stato eseguito con l’obiettivo di ottenere un metodo scalabile per essere implementato in ogni recommender system di gruppo che utilizza come metodo di aggregazione il calcolo di uno score. Inizialmente, introduciamo il concetto di consensus come elemento di fairness che vogliamo ottimizzare. Quindi mostriamo la qualità del nostro metodo utilizzando due dataset reali: il primo è un dataset molto grande contenente le scelte personali e di gruppo relative a programmi TV di 7.921 utenti, mentre il secondo dataset è stato creato come parte del lavoro svolto in questa tesi raccogliendo le preferenze musicali (sia individuali che in gruppo) di 280 utenti reali. Confrontiamo i risultati che abbiamo ottenuto con quelli di altri recommender system di gruppo presenti in letteratura e le loro controparti fair (cioè adattate con il nostro metodo), e con altri recommender system di gruppo già sviluppati tenendo conto dell’elemento della fairness. Come misura della qualità delle raccomandazioni usiamo il recall, mentre la fairness viene misurata usando due misure proposte da altri lavori in letteratura. I risultati ottenuti mostrano un miglioramento complessivo delle prestazioni sia in termini di recall che di fairness a conferma della qualità del metodo proposto.