Optimización multiobjetivo de hiperparámetros para sistemas de recomendación

• Autores: Rodriguez, Romina de Lourdes
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Pera, María Soledad; Biedma, Luis Ariel
• Materia: Programación multiobjetivo; Aplicaciones de la programación matemática; Sistemas de recomendación; Múltiples partes interesadas; Multiobjetivo; Multi-objective and goal programming; Applications of mathematical programming; Recommender systems; Multistakeholder; Machine learning; Multi-objective
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Matemática)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2024.
Fil: Rodriguez, Romina de Lourdes. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Los sistemas de recomendación tradicionales suelen enfocarse en objetivos únicos, como maximizar la precisión o la calidad del ranking. Sin embargo, la creciente demanda de enfoques multiobjetivo ha llevado al desarrollo de modelos que equilibran métricas como precisión, novedad y diversidad. Este enfoque también considera las necesidades de múltiples stakeholders, como usuarios, proveedores y plataformas, quienes tienen objetivos diversos que pueden entrar en conflicto. Por esta razón queremos responder la pregunta de investigación: ¿Cómo se pueden integrar las perspectivas de múltiples stakeholders en el diseño y evaluación de métricas para sistemas de recomendación? Para intentar responder generamos un conjunto de hiperparámetros optimizado para datasets públicos de Sistemas de Recomendación, utilizando técnicas de optimización multiobjetivo basadas en la Eficiencia de Pareto . Para ello se explorará la combinación de métricas como precisión y cobertura y se estudiará cómo las distintas configuraciones resultan en distintos conjuntos de hiperparámetros, utilizando y modificando el marco de trabajo Elliot, desarrollado en Python por el Laboratorio de Sistemas de Información del Politécnico de Bari, Italia.
Traditional recommendation systems typically focus on single objectives, such as maximizing accuracy or ranking quality. However, the growing demand for multi-objective approaches has led to the development of models that balance metrics like accuracy, novelty, and diversity. This approach also considers the needs of multiple stakeholders, such as users, providers, and platforms, who have diverse goals that may conflict. For this reason, we seek to address the research question: How can the perspectives of multiple stakeholders be integrated into the design and evaluation of metrics for recommendation systems? To attempt to answer this, we generate an optimized set of hyperparameters for public recommendation system datasets, using multi-objective optimization techniques based on Pareto Efficiency. This involves exploring the combination of metrics such as accuracy and coverage, and studying how different configurations result in distinct hyperparameter sets, using and modifying the Elliot framework, developed in Python by the Information Systems Laboratory at the Polytechnic University of Bari, Italy.
Fil: Rodriguez, Romina de Lourdes. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.