Νέες Τάσεις

Abstract

Στο δέκατο κεφάλαιο θα αναφερθούμε στις νέες τάσεις των συστημάτων συστάσεων. Πιο συγκεκριμένα, θα αναλύσουμε τις συστάσεις σε group (σύνολα) ανθρώπων. Θα μελετήσουμε επίσης διαφορετικές μεθόδους συγκερασμού των προτιμήσεων πολλών χρηστών (π.χ. Μέθοδος μέγιστης ικανοποίησης χρήστη, Μέθοδος ελάχιστης δυσαρέσκειας χρήστη κ.λπ.). Ακόμη, θα κάνουμε εκτεταμένη αναφορά στα φλέγοντα θέματα ηθικής, δικαιοσύνης, λογοδοσίας και λογοκρισίας που έχουν προκύψει και αποτελούν μια σύγχρονη τάση στα συστήματα συστάσεων. Τέλος, θα εμβαθύνουμε σε τρεις διαφορετικές πολιτικές προστασίας των προσωπικών δεδομένων (αρχιτεκτονικές τοπολογίες συστημάτων συστάσεων, αλγοριθμικές τεχνικές, και κανονιστικό νομικό πλαίσιο). Εξειδικεύοντας εδώ, μια νέα τάση στα συστήματα συστάσεων είναι τα δεδομένα με τις προτιμήσεις του χρήστη να μην πηγαίνουν στον server της εταιρείας για λόγους προστασίας της ιδιωτικότητάς του. Στην κατεύθυνση αυτή, θα παρουσιάσουμε αλγορίθμους που υλοποιούνται είτε μ’ έναν κατανεμημένο τρόπο (federated learning) είτε μ’ έναν αποκεντροποιημένο (decentralized matrix factorization with differential privacy) τρόπο εκπαίδευσης των μοντέλων πρόβλεψης.

In chapter ten, we will discuss new trends in recommender systems. In particular, we will analyze recommendations to groups of people. Furthermore, we will study different methods for combining the preferences of multiple users (e.g., Maximum User Satisfaction Method, Minimum User Dissatisfaction Method etc.). Furthermore, we will extensively address the burning issues of ethics, fairness, accountability and censorship that have emerged and are a current trend in recommender systems. Finally, we will delve into three different privacy policies (architectural topologies of recommender systems, algorithmic techniques, and regulatory legal frameworks). Specializing here, a new trend in recommender systems is that data with user preferences should not go to the company's server for privacy reasons. In this direction, we will present algorithms implemented either in a distributed way (federated learning) or in a decentralized (decentralized matrix factorization with differential privacy) way of training the prediction models.