Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Le filtrage collaboratif est une méthode qui vise à construire automatiquement des filtres personnalisés en utilisant les avis d’utilisateurs dans le but de leur proposer une liste restreinte d’objets qu’ils pourraient le plus apprécier. Les avis recueillis auprès de ces utilisateurs fournissent la base collaborative pour réaliser des prédictions sur les avis manquants. La proportion de données manquantes, c’est à dire d’avis non fournis par les utilisateurs, est généralement importante dans les systèmes de recommandation. Dans certains cas, ces données manquantes peuvent être informatives et l’ignorer peut mener à des mauvaises conclusions. La plupart des méthodes de filtrage collaboratif n’utilisent pas ces données manquantes pour en extraire de l’information. Dans cette thèse, nous voulons exploiter ces données manquantes en proposant des modèles qui supposent que les avis des utilisateurs ne manquent pas au hasard (MNAR). L’approche se base sur le modèle à blocs latents, un modèle de co-clustering génératif dont les régularités permettent de prédire les avis manquants. L’équité de la recommandation est un des autres problèmes majeurs du filtrage collaboratif. L’équité est souvent vaguement définie comme la qualité de traiter les gens avec justesse et impartialité. Bien qu’imprécise, cette définition stipule que l’équité du traitement fait référence à certains attributs protégés partagés par des groupes de personnes, tels que le sexe, l’âge, l’origine ethnique, le groupe socio-économique, etc. Ces dernières années, les travaux de recherche ont mis en évidence un manque d’équité dans les décisions prises par les algorithmes de filtrage collaboratif. Le modèle statistique que nous présentons dans cette thèse génère un co-clustering des utilisateurs et des objets du système tout en essayant de respecter une parité statistique des utilisateurs vis-à-vis de leurs attributs protégés. Nous donnons des garanties théoriques assurant une recommandation équitable quand la parité statistique des utilisateurs est bien ...