EXPLORACION DEL CRITERIO DE EQUIDAD EN RECOMENDACIÓN TOP-N PARA GRUPOS DE USUARIOS

Abstract

En esta investigación, se examina la equidad en los sistemas de recomendación grupales a través del modelo GFAR (Group Fairness-Aware Recommender), poniendo en contraste dos algoritmos de recomendación ampliamente utilizados: el ítem-a-ítem basado en vecindario (K-nearest neighbors KNN) y la Factorización Matricial por Singular Value Decomposition (SVD). El estudio se centra en dos conjuntos de datos de distintos dominios, MovieLens 100K (películas) y BookCrossing (libros), evaluando cómo estos algoritmos interactúan con grupos de usuarios de características similares, divergentes y aleatorias, variando en tamaños de 2 hasta 8 miembros. La hipótesis principal explora si el algoritmo de Factorización Matricial proporciona resultados de equidad superiores en comparación con el enfoque ítem- ítem basado en vecindario. Con este propósito, fue implementado dentro del modelo GFAR dos variantes una que utiliza KNN y otra con SVD para realizar ejecuciones independientes por cada tipo y tamaño de grupo. Los resultados obtenidos de cada ejecución se evaluaron mediante métricas de equidad y rendimiento. Posteriormente, estos datos fueron sometidos a pruebas estadísticas para cuantificar y comparar la efectividad de ambos algoritmos en términos de equidad y precisión. Los resultados revelan diferencias significativas en la equidad de las recomendaciones entre los algoritmos KNN y SVD, con patrones variados dependiendo del tipo y tamaño del grupo de usuarios. La Factorización Matricial mostró un rendimiento generalmente más equitativo en comparación con el enfoque ítem-a-ítem, especialmente en grupos de mayor tamaño. Estos hallazgos proporcionan valiosas perspectivas sobre la aplicación de algoritmos de recomendación en contextos donde la equidad es un factor deseable.