Which fairness measures for group recommendations ?

This thesis has two specific objectives: the first one is trying to improve the performance of recommeder systems from an ethical point of view, for groups of people composed by users unknown to each other; the second one consists in proposing new metrics to measure the fairness of the recommendations themselves. The starting point of the thesis was the Fair, context-AwaRe Group RecOmmender(FARGO) project (started by Quintarelli et al. [32]), an algorithm that leverages the concepts of user influence and context awareness to provide recommendations as fair as possible. In order to ameliorate fairness, two improvements are proposed overFARGO: "skyline filtering" and "zeros estimation". The outcomes of these improvements are then presented to assess the equity of the recommendations by using of two specific data-sets: a very big data-set containing data from Auditel, and a little case study: the Music data-set. The performances are evaluated using metrics common for group recommender systems, such as Recall, which quantifies the goodness of the recommendations, and Score disparity and Recommendation disparity which quantify how fair those recommendations are. Our experiments show some improvements in both Recall and Recommendation disparity; but it also emerges that the aforementioned metrics that assess fairness have some limitations. As a consequence, this thesis studies and proposes new measures to evaluate fairness which overcome such limitations. Traditional measures and the new ones are then compared. What emerges is that there is no optimal universal fairness measure for group recommender systems and that, above all, it is necessary to pay close attentionto the specific application domain and case study to choose the most appropriate ones.

Questa tesi ha due obiettivi specifici: il primo è cercare di migliorare le prestazioni dei sistemi di raccomandazione da un punto di vista etico per gruppi di persone composteda utenti sconosciuti tra loro; il secondo consiste nel proporre nuove metriche per misurare l’equità delle raccomandazioni stesse.Il punto di partenza della tesi è stato il progetto Fair, context-AwaRe Group Rec-Ommender (FARGO) (Quintarelli et al. [32]), un algoritmo che fa leva sui concetti di influenza dell’utente e context awareness per fornire raccomandazioni il più eque possibile. Al fine di migliorare l’equità, vengono proposti due miglioramenti per FARGO: "skyline filtering" e "stima degli zeri". I risultati di questi miglioramenti vengono quindi presentati per valutare l’equità delle raccomandazioni utilizzando due data-sets specifici: un data-set molto grande contenente i dati di Auditel e un piccolo caso di studio: il data-set Musica.Le performance vengono valutate utilizzando metriche comuni per i sistemi di raccomandazione di gruppo, come Recall, che quantifica la bontà delle raccomandazioni, e Score disparity e Recommendation disparity che quantificano quanto siano eque tali raccomandazioni. I nostri esperimenti mostrano alcuni miglioramenti nel Recall e nella Recommendation disparity; ma emerge anche che le sopracitate metriche che valutano l’equità presentano alcuni limiti. Di conseguenza, questa tesi studia e propone nuove misure per valutare l’equità che superino tali limiti. Le misure tradizionali e quelle nuove vengono quindi messe a confronto. Ciò che emerge è che non esiste una misura di equità universale ottimale per i sistemi di raccomandazione di gruppo e che, soprattutto, è necessario prestare molta attenzione al dominio di applicazione specifico e al caso di studio per sceglierele metriche più appropriate.