Proportionality of Aggregations and Optimization in Recommender Systems

Abstract

This dissertation advances the field of recommender systems by addressing three topics central to the design of recommender pipelines: proportional aggregation, user feedback integration, and evolutionary optimization. Proportional aggregation methods from the Fuzzy D'Hondt's family form a princi- pled foundation for proportional recommendation outcomes. A key contribution lies in structured aggregation methods, which enable business logic and hybrid personalization support. Fairness as the proportionality preservation was turned into a measurable ob- jective. Structured integration of user feedback (considering both implicit and explicit feed- back) emphasizes the fact that, unlike base recommenders, aggregators allow for rapid feedback incorporation. This design choice is crucial in repeated recommendation sce- narios. Feedback mechanisms can be understood as a link between aggregation and optimization. To address complex recommendation settings, evolutionary algorithms are explored as a framework for multi-objective optimization. These methods enable the simultaneous optimization of proportionality and fairness alongside classical utility-based objectives. The approach is demonstrated in tourist route recommendation, where group-level pro- portionality must be balanced with feasibility constraints,...

Tato disertace přispívá k výzkumu v oblasti doporučovacích systémů tím, že se zabývá třemi tématy z oblasti návrhu doporučovacích pipelines: proporcionální agregací, inte- grací uživatelského feedbacku a využitím evoluce k optimalizaci. Metody proporcionální agregace z rodiny Fuzzy D'Hondtových algoritmů tvoří základ pro proporcionální výsledky doporučování. Klíčovým příspěvkem jsou metody struk- turované agregace, které umožňují integraci business logiky a hybridní personalizace. Férovost (definovaná jako zachování proporcionality) se stala měřitelným cílem. Strukturovaná integrace uživatelského feedbacku (explicitního i implicitního) klade důraz na potenciál agregátorů, které na rozdíl od základních doporučovačů umožnují rychle reagovat na uživatelský feedback. Tato vlastnost je zásadní pro scénář opakovaného doporučování. Zpracování feedbacku propojuje agregaci s optimalizací. U evolučních algoritmů zkoumáme jejich potenciál jako frameworku pro víceúčelovou optimalizaci v komplexních doporučovacích scénářích. Tyto metody umožňují optimali- zovat současně s klasickými účelovými funkcemi i vzhledem k férovosti a proporcionalitě. Jako příklad uvádíme doporučování turistických tras, kde proporcionalita v rámci skupin musí být vyvažována jinými podmínkami. Evoluční optimalizace propojuje férové agre- gace s...