Popularity Bias in Job Recommender Systems
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3032262Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Popularity bias occurs when certain items are recommended more frequently than their popularity warrants, leading to unfairness.Finn.no is a Norwegian e-commerce website that allows users to sell and purchase goods.Employers pay to post job listings on finn.no; therefore, all jobs must be represented fairly in the user's recommendations. Some job advertisements receive more recommendations, clicks, applications, and favoritism than others, illustrating the "long-tail" problem. This thesis explores the use of different matrix factorization Augmented Least Square for implicit feedback from different libraries as base models in conjunction with the post recommendation mitigating technique eXplicit Query Aspect Diversification (xQuAD).
Using their interaction and job data, the objective is to reduce the popularity bias in the recommended jobs on finn.no.In addition, the existence of any popularity bias in the data is determined.
The primary finding is that Finn's user interactions and recommendations have a long tail problem.The xQuAD re-ranking method reduces the popularity bias of the recommender systems, but its precision was extremely poor. Popularitetsskjevhet oppstår når visse varer anbefales oftere enn populariteten tilsier, noe som fører til urettferdighet.Finn.no er en norsk e-handelsside som lar brukere selge og kjøpe varer.Arbeidsgivere betaler for å legge ut stillingsannonser på finn.no; derfor må alle jobber representeres rettferdig i brukerens anbefalinger. Noen stillingsannonser mottar flere anbefalinger, klikk, søknader og favorisering enn andre, noe som illustrerer "long-tail"-problemet. Denne oppgaven utforsker bruken av forskjellig matrisefaktorisering Augmented Least Square for implisitt tilbakemelding fra forskjellige biblioteker som basismodeller i forbindelse med post-anbefaling-mitigating-teknikken eXplicit Query Aspect Diversification (xQuAD).
Ved å bruke deres interaksjons- og jobbdata er målet å redusere popularitetsskjevheten i de anbefalte jobbene på finn.no.I tillegg bestemmes eksistensen av enhver popularitetsskjevhet i dataene.
Det primære funnet er at Finns brukerinteraksjoner og anbefalinger har et langhaleproblem.xQuAD-re-rangeringsmetoden reduserer popularitetsskjevheten til anbefalingssystemene, men presisjonen var ekstremt dårlig.