Öneri sistemlerinde popülerlik yanlılığının geri bildirim döngüsü perspektifinden adaletsiz etkilerinin analizi
Analyzing unfair effects of popularity bias in recommender systems from a feedback loop perspective
- Tez No: 991546
- Danışmanlar: DOÇ. DR. EMRE YALÇIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnternet ortamındaki kullanıcı etkileşimlerinin hızla artması, bireysel tercihlere uygun içerik sunabilen öneri sistemlerini daha önemli hale getirmiştir. Ancak bu sistemler, kullanıcı davranışlarından öğrenirken popülerlik yanlılığı gibi problemler üretebilmekte ve bu yanlılık farklı kullanıcı gruplarını farklı biçimlerde etkileyebilmektedir. Literatürde çoğunlukla statik değerlendirmeler yapılırken, geri besleme döngülerinin farklı demografik ve davranışsal gruplar üzerindeki uzun vadeli etkileri yeterince anlaşılmamıştır. Bu çalışmada, popülerlik yanlılığının zaman içerisindeki etkilerini incelemek amacıyla dinamik bir geri besleme döngüsü çerçevesi geliştirilmiştir. Çerçeve, kullanıcı profilleri ile öneri algoritmaları arasındaki yinelemeli etkileşimleri modelleyerek kalibrasyon, çeşitlilik, uzun kuyruk görünürlüğü ve doğruluk gibi metriklerin on iterasyon boyunca nasıl değiştiğini analiz etmektedir. Deneyler, MovieLens-1M dahil iki veri kümesi üzerinde ortak filtreleme algoritmaları kullanılarak gerçekleştirilmiştir. Yaş grupları incelendiğinde, yaşlı kullanıcıların genç ve orta yaşlı gruplara kıyasla popülerlik yanlılığından daha fazla olumsuz etkilendiği; iterasyonlar ilerledikçe uzun kuyruk erişimi ve kalibrasyon kaybının daha belirgin olduğu görülmüştür. Cinsiyete dayalı analizlerde ise kadın kullanıcıların çeşitlilik, kalibrasyon ve düşük popülerlikteki içeriklere erişim açısından erkek kullanıcılara göre daha dezavantajlı olduğu ve popülerlik yanlılığının geri besleme döngüsüyle kadınlar için birikimli şekilde arttığı bulunmuştur. Popülerlik eğilimine göre yapılan kullanıcı segmentasyonunda, gruplar arasında belirgin farklılıklar görülmüş; özellikle niş içeriklere ilgi duyan kullanıcıların zaman içinde çeşitlilik ve uzun kuyruk görünürlüğünde kayıplar yaşadığı tespit edilmiştir. Genel olarak sonuçlar, geri besleme döngülerinin yapısal eşitsizlikleri güçlendirebildiğini ve öneri sistemlerinde uzun vadeli adaletin sağlanması için demografik ve ilgi temelli kullanıcı ayrımlarının dikkate alınması gerektiğini göstermektedir.
Özet (Çeviri)
The rapid increase in online user interactions has made recommender systems—capable of delivering content tailored to individual preferences—more essential than ever. However, while learning from user behavior, these systems can introduce issues such as popularity bias, which may affect different user groups in distinct ways. Although prior literature predominantly relies on static evaluations, the long-term impacts of feedback loops on various demographic and behavioral groups remain insufficiently understood. In this study, a dynamic feedback loop framework is developed to examine the temporal effects of popularity bias. The framework models the iterative interactions between user profiles and recommendation algorithms, analyzing how metrics such as calibration, diversity, long-tail visibility, and accuracy evolve over ten iterations. Experiments are conducted on two datasets, including MovieLens-1M, using collaborative filtering algorithms. Age-group analyses reveal that older users are more negatively affected by popularity bias compared to young and middle-aged users, with more pronounced losses in long-tail access and calibration as iterations progress. Gender-based analyses indicate that female users are disadvantaged relative to male users in terms of diversity, calibration, and access to low-popularity content, and that popularity bias accumulates more strongly for women through the feedback loop. In the segmentation based on popularity inclination, notable differences are observed among groups; in particular, users interested in niche content experience declines in diversity and long-tail visibility over time. Overall, the results demonstrate that feedback loops can reinforce structural inequalities and highlight the necessity of considering demographic and interest-based user distinctions to ensure long-term fairness in recommender systems.
Benzer Tezler
- Solving cold-start and popularity bias ın e-commerce with a hybrid recommender strategy
E-ticarette soğuk başlangiç ve popülerlik önyargisini hibrit öneri stratejisi ile çözme
ESİN SEÇİL ÇOMAK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL DURU
- A model-agnostic and rank-aware framework for user-level popularity calibration in recommender systems
Öneri sistemlerinde kullanıcı düzeyinde popülerlik kalibrasyonu için modelden bağımsız ve sıra-duyarlı bir çerçeve
İSMAİL BURAK YAVRU
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVCAN YILMAZ GÜNDÜZ
- 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
ÖZGE GÜREL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BİLGE
DOÇ. DR. EMRE YALÇIN
- Rastgele bozma yaklaşımlarının öneri algoritmalarının popülerlik yanlılığına etkisinin incelenmesi ve sahte oy enjeksiyonuna dayalı yenilikçi çözümler geliştirilmesi
Analyzing effects of random perturbation approaches on the popularity bias issue of recommendation algorithms and developing novel fake rating injection-based solutions
MERT GÜLSOY
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BİLGE
DOÇ. DR. EMRE YALÇIN
- Addressing popularity bias in personality-aware recommender systems
Kişilik bilinçli öneri sistemlerinde popülerlik önliliklerini ele almak
MADIHA WARIS
Doktora
İngilizce
2025
Bilgi ve Belge YönetimiEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BİLGE
DOÇ. DR. EMRE YALÇIN