Investigando recomendação híbrida ponderada em relação a fairness e sensibilidade ao risco.

Abstract

Sistemas de recomendação são ferramentas que ajudam os usuários a encontrar itens relevantes dentre muitas opções. Eles são baseados em algoritmos que analisam os dados do usuário, como histórico de compras, avaliações e comportamentos de navegação, para sugerir produtos ou serviços relevantes e personalizados para cada pessoa. Esses sistemas são amplamente utilizados em e-commerces, serviços de streaming de vídeo e de música, redes sociais, entre outros. Um dos principais desafios enfrentados pelos sistemas de recomendação é atender a diversas métricas de avaliação, como precisão, diversidade e novidade das recomendações, pois essas métricas podem ser conflitantes entre si. Outro desafio enfrentado no desenvolvimento de sistemas de recomendação é lidar com a variabilidade dos resultados, isto é, garantir que sejam consistentes e precisos em diversos cenários. Neste trabalho, são abordados dois conceitos relacionados à variabilidade: justiça e sensibilidade ao risco. Justiça nas recomendações significa que os algoritmos devem ser projetados para evitar preconceitos e discriminações, levando em consideração fatores como gênero, raça, idade, entre outros, para garantir que as recomendações tenham uma qualidade equiparável para todos os usuários. Já a sensibilidade ao risco está relacionada à capacidade do sistema de reduzir a probabilidade de resultados insatisfatórios. Para lidar com a complexidade desses múltiplos objetivos, a hibridização de algoritmos, que consiste na combinação de diferentes modelos de recomendação clássicos para aliar seus pontos fortes e atenuar suas fraquezas individuais, surge como uma abordagem relevante. Ao integrar múltiplos vieses indutivos, levanta-se a hipótese teórica de que sistemas híbridos não apenas melhorem a precisão global, mas também possam suavizar disparidades entre diferentes perfis e conferir maior robustez contra falhas extremas. Sendo assim, neste trabalho, investiga-se empírica e estatisticamente como estratégias de hibridização impactam as avaliações desses critérios. O objetivo principal é realizar experimentos para avaliar se técnicas de hibridização contribuem para recomendações mais justas e menos sensíveis ao risco. Os resultados obtidos por meio da validação temporal demonstram que, paradoxalmente, a hibridização baseada em regressão atuou como um nivelador genérico, reduzindo a personalização, amplificando as disparidades de desempenho entre os grupos de usuários e aumentando a sensibilidade ao risco global do sistema.