Multiobjective models for group recommender systems

Abstract

Group recommender systems aim to generate item recommendations that are suitable for an entire group of users, such as suggesting a movie for a family night or a playlist for a group of friends on a road trip. In such scenarios, it is important to optimize not only for accuracy but also for fairness, ensuring that all group members are reasonably satisfied. We propose a novel approach called SAGEA (Sparse Autoencoder-based Group Embed- ding Aggregation), which leverages sparse autoencoders to obtain highly monosemantic representations of individual users. Using our custom aggregation functions, SAGEA generates recommendations that optimize both accuracy and fairness without the need to post-process the results. We evaluate various configurations of SAGEA and show that it outperforms common in-processing group recommendation approaches, while of- fering faster inference than post-processing methods and achieving better or comparable recommendation performance.

Cílem skupinových doporučovacích systémů je generovat doporučení, která jsou vhodná pro celou skupinu uživatelů. Jde například o doporučení filmu pro rodinu nebo playlistu pro společnou cestu v autě. V takových scénářích je důležité optimalizovat nejen přesnost (accuracy), ale také spravedlnost (fairness), aby byli všichni členové skupiny přiměřeně spokojeni. V této práci navrhujeme nový přístup nazvaný SAGEA (Sparse Autoencoder-based Group Embedding Aggregation), který využívá sparse autoencodery k získání vysoce monosemantických reprezentací jednotlivých uživatelů. Následně pomocí námi navržených agregačních funkcí vytváří SAGEA doporučení, která optimalizují jak přesnost, tak spravedlnost, a to bez nutnosti následného post-processingu výsledků. V práci vyhodnocujeme různé varianty SAGEA a ukazujeme, že SAGEA překonává běžné in-processing přístupy skupinového doporučování, přičemž nabízí rychlejší inferenci než post-processingové metody a dosahuje lepší nebo srovnatelné kvality.