Stavroula Eleftheraki

Résumé

Les systèmes de recommandation influencent de manière croissante les informations, les services et les opportunités auxquels les individus sont exposés en ligne, faisant de l’équité une exigence fondamentale. Bien que de nombreux travaux se soient consacrés à la conception de systèmes de recommandation équitables, l’équité est généralement évaluée sous l’hypothèse que les données d’interaction sous-jacentes sont fixes, sans prendre en compte l’influence que des modifications de ces données peuvent exercer sur l’équité des recommandations. Cette thèse étudie l’équité dans les systèmes de recommandation selon deux perspectives complémentaires : l’optimisation de l’équité par la conception des algorithmes de recommandation et la manipulation de l’équité au moyen d’interventions sur les données d’interaction.

Nous abordons tout d’abord l’équité au niveau algorithmique en développant des méthodes efficaces d’apprentissage des voisinages pour le filtrage collaboratif, permettant d’améliorer l’équité côté consommateurs et côté fournisseurs tout en offrant des compromis complémentaires entre l’équité et la qualité des recommandations.

Nous étudions ensuite la fragilité de l’équité des recommandations face à des interventions adverses sur les données. Dans un premier temps, nous analysons des attaques reposant sur l’injection de profils de faux utilisateurs et montrons que les systèmes de recommandation, qu’ils soient conventionnels ou conçus pour promouvoir l’équité, peuvent subir une dégradation importante de leur équité, les modèles équitables amplifiant parfois cet effet. Nous considérons ensuite un modèle de menace différent, dans lequel un adversaire manipule les interactions d’utilisateurs réels. Nous formulons ce cadre comme un problème d’optimisation sous contrainte de budget consistant à ajouter ou supprimer stratégiquement des interactions utilisateur–élément afin de modifier l’exposition d’un ensemble d’opportunités entre différents groupes démographiques.

Dans son ensemble, cette thèse montre que l’équité ne doit pas être considérée uniquement comme un objectif d’optimisation, mais également comme une propriété dont il est essentiel d’étudier la robustesse et la fragilité. Ces résultats soulignent l’importance de concevoir des systèmes de recommandation équitables dont les garanties d’équité demeurent robustes face aux manipulations adverses des données d’interaction.