Geri Dön

Examining the effects of profile injection attacks on recommender systems on the popularity bias problem

Öneri sistemlerine yapılan profil enjeksiyon ataklarının popülerlik yanlılığı sorunu üzerindeki etkilerinin incelenmesi

PDF İndir

  1. Tez No: 905847
  2. Yazar: ÖZGE GÜREL
  3. Danışmanlar: DOÇ. DR. ALPER BİLGE, DOÇ. DR. EMRE YALÇIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Dijital platformlar, kullanıcıların ilgisini çekmek için sundukları içerikleri öneri sistemleriyle kişiselleştirirken, aynı zamanda öngörülemeyen bir sorun olan popülerlik yanlılığı ile karşı karşıya kalmaktadır. Öneri algoritmalarının popüler içeriklere yönelmesi, kullanıcıların yeni ve niş içeriklere ulaşma imkanını sınırlandırarak platformlardaki içerik çeşitliliğini daraltmaktadır. Bu tez, öneri sistemlerinde popülerlik yanlılığını azaltmak ve kullanıcıların daha çeşitli içeriklere erişimini sağlamak amacıyla yenilikçi bir yaklaşım sunmaktadır. Çalışmanın özgün yanı, genelde güvenlik riski olarak bilinen profil enjeksiyon atak modellerini popülerlik yanlılığını azaltmada stratejik bir araç olarak kullanmasıdır. Average, Bandwagon ve Random Attack gibi saldırı modelleri, bu tezde, sistemin çeşitlilik dengesini sağlamak amacıyla farklı bir kullanım alanına taşınmıştır. Özellikle Random Attack modeli, popüler olmayan içerikleri öne çıkararak öneri sistemini daha dengeli ve adil hale getirmek için güçlü bir alternatif sunmaktadır. Aynı zamanda, popülerlik yanlılığını azaltma amacıyla önerilen geleneksel yöntemler olan XQUAD, ERPAug, ERPMul ve VAR gibi debiasing teknikleri de karşılaştırmalı olarak analiz edilmiştir. Bu çalışma, yaygın kullanılan MovieLens veri seti üzerinde ve VAECF (Variational Autoencoder for Collaborative Filtering) algoritması kullanılarak gerçekleştirilmiştir. Deneylerde, her yöntemin popülerlik yanlılığını azaltma etkisi ve öneri kalitesini koruma düzeyi, APLT, F1-Score, nDCG ve Novelty gibi performans metrikleri ile ölçülmüştür. Sonuçlar, XQUAD yönteminin popülerlik yanlılığını azaltmada en etkili yöntem olduğunu ortaya koyarken, Random Attack (Attack Size 10, Filler Size 10) modelinin ise öneri doğruluğunu ve çeşitliliği bir arada koruyarak dengeli bir performans sunduğunu göstermektedir. Buna karşılık, ERPMul ve VAR yöntemleri yüksek çeşitlilik sağlarken öneri doğruluğunda bazı ödünler verebilmektedir. Bu bulgular, dijital platformların adil, çeşitli ve kullanıcı odaklı öneriler sunmak için hangi yöntemi seçebileceğine dair rehber niteliğinde bilgiler sunmaktadır. Sonuç olarak, bu tez öneri sistemlerinde popülerlik yanlılığını azaltmaya yönelik yenilikçi bir bakış açısı sunarak, adalet ve çeşitliliği artırmayı hedefleyen stratejik yaklaşımlara katkıda bulunmaktadır. Çalışmanın bulguları, gelecekte farklı veri setleri ve algoritmalarla genişletilerek öneri sistemlerinde adil ve çeşitlendirilmiş içerik sunma yönündeki çözümlerin geliştirilmesine ışık tutabilir.

Özet (Çeviri)

Digital platforms, in their quest to engage users with personalized recommendations, face an unforeseen challenge: popularity bias. Recommendation algorithms often favour popular content, limiting users' access to new and niche items, thereby reducing content diversity on these platforms. This thesis proposes an innovative approach to reduce popularity bias in recommendation systems, enhancing users' access to a broader range of content. The unique aspect of this study is its strategic use of profile injection attack models, traditionally seen as security risks, to mitigate popularity bias. Attack models such as Average, Bandwagon, and Random Attack, typically used to manipulate systems, are here repurposed to restore diversity and balance in recommendations. In particular, the Random Attack model emerges as a strong alternative, promoting less popular content to achieve a fairer and more diverse recommendation system. Additionally, traditional debiasing techniques, such as XQUAD, ERPAug, ERPMul, and VAR, are analysed and compared against attack models for their effectiveness in reducing popularity bias. This study is conducted using the widely adopted MovieLens dataset and employs the VAECF (Variational Autoencoder for Collaborative Filtering) algorithm. The experiments assess each method's impact on popularity bias and recommendation quality through core performance metrics such as APLT, F1-Score, nDCG, and Novelty. Results indicate that XQUAD is the most effective method for reducing popularity bias, while Random Attack (Attack Size 10, Filler Size 10) provides a balanced performance, preserving both recommendation accuracy and diversity. On the other hand, ERPMul and VAR offer high diversity but may compromise some recommendation accuracy. These findings serve as practical insights for digital platforms aiming to provide fairer, more diverse, and user-centric recommendations. In conclusion, this thesis presents an innovative perspective on mitigating popularity bias in recommendation systems, contributing to strategies that enhance fairness and diversity. The findings can serve as a foundation for future studies, which may broaden this approach by exploring various datasets and algorithms, ultimately advancing solutions for fair and diverse content delivery in recommendation systems.

Benzer Tezler

  1. Tez No

    708863

    Development of combustion tube experimental setup for underground coal gasification

    Yer altı kömür gazlaştırması için yanma tüpü deney düzeneği geliştirilmesi

    İSMAİL HAKKI SARIÇAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT ÇINAR

  2. Tez No

    282482

    Miyofascial ağrı sendromlu hastalarda uygulanan, tetik nokta enjeksiyon yöntemlerinin etkinliğinin araştırılması

    Myofacial pain syndrome with patient admitted to algologia department, retrospective investigation of effectiveness of methods to triger point injection

    ÇİĞDEM BULDAĞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    Anestezi ve ReanimasyonDicle Üniversitesi

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    YRD. DOÇ. DR. HAKTAN KARAMAN

  3. Tez No

    467294

    Derin kazılarda yatay jet grout uygulamasının sonlu elemanlar yöntemi ile incelenmesi

    Investigation of horizontal jet grout application in deep excavations by finite element method

    MEHMET TARAKÇI

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BERRAK TEYMÜR

  4. Tez No

    830447

    Psöriasis hastalarında IL-17 ve IL-23 inhibitör tedavilerinin etkinlik, güvenlik, ilaçta sağkalım ve inflamatuvar parametreler üzerine etkisinin retrospektif incelenmesi

    Retrospective analysis of efficacy, safety, drug survival and inflammatory parameters of IL-17 and IL-23 inhibitor treatments in psoriasis patients

    ESRA YILDIRIM BAY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    DermatolojiSağlık Bilimleri Üniversitesi

    Deri ve Zührevi Hast. Ana Bilim Dalı

    DOÇ. DR. İLTERİŞ OĞUZ TOPAL

  5. Tez No

    363690

    Ayazağa su tünelinde yapılan konsolidasyon enjeksiyonu ile kaya kütlesi özellikleri arasındaki ilişkinin jeoistatistiksel analizi

    Geostatistical evaluation of relation with rock mass properties and consolidation grout carried out in Ayazaga water conduit tunnel

    ÖMER FARUK KAP

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Jeoloji Mühendisliğiİstanbul Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAKAN TUNÇDEMİR

Geri Dön