Mitigating Popularity Bias in Fair and Explainable Recommender Systems Using SHAP

Tuğba Türkoğlu Kaya

Makale detayları

Mitigating Popularity Bias in Fair and Explainable Recommender Systems Using SHAP

Yazarlar:

Tuğba Türkoğlu Kaya

Yayıncı:

Duzce University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1180-1199

Belge Tipi:

Makale

Yayın Tarihi:

7/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001355747

pISSN:

2148-2446

Anahtar kelimeler:

Özet:

 Popularity bias is a prevalent issue in recommendation systems, where popular items dominate recommendation lists, leading to reduced diversity and fairness. Traditional methods evaluate popularity bias based on overall item frequency, disregarding individual user tendencies. This study introduces a novel post-processing ranking method called Dynamic User Tendency Re-ranking DUTR to mitigate popularity bias in multi-criteria recommendation systems by incorporating user-specific preferences. DUTR leverages SHAP SHapley Additive exPlanations analysis to determine the influence of different criteria on user decision-making. Unlike conventional methods, which classify item popularity based on general trends, DUTR dynamically assesses each users priority preferences. It then classifies items as popular or less popular based on individual preference patterns. This approach ensures that recommendation lists align more closely with user-specific interests while maintaining a balance between popular and less popular items. To validate the effectiveness of DUTR, extensive experiments were conducted on the YM10 and YM20 datasets. The results show that DUTR significantly reduces popularity bias while improving diversity and fairness in recommendations. Moreover, the integration of SHAP values enhances the explainability of the recommendation process, providing users with personalized and transparent suggestions. In conclusion, comparative analysis with existing techniques demonstrates that DUTR outperforms traditional methods in balancing popularity and personalization.

 Popularity bias is a prevalent issue in recommendation systems, where popular items dominate recommendation lists, leading to reduced diversity and fairness. Traditional methods evaluate popularity bias based on overall item frequency, disregarding individual user tendencies. This study introduces a novel post-processing ranking method called Dynamic User Tendency Re-ranking DUTR to mitigate popularity bias in multi-criteria recommendation systems by incorporating user-specific preferences. DUTR leverages SHAP SHapley Additive exPlanations analysis to determine the influence of different criteria on user decision-making. Unlike conventional methods, which classify item popularity based on general trends, DUTR dynamically assesses each users priority preferences. It then classifies items as popular or less popular based on individual preference patterns. This approach ensures that recommendation lists align more closely with user-specific interests while maintaining a balance between popular and less popular items. To validate the effectiveness of DUTR, extensive experiments were conducted on the YM10 and YM20 datasets. The results show that DUTR significantly reduces popularity bias while improving diversity and fairness in recommendations. Moreover, the integration of SHAP values enhances the explainability of the recommendation process, providing users with personalized and transparent suggestions. In conclusion, comparative analysis with existing techniques demonstrates that DUTR outperforms traditional methods in balancing popularity and personalization.

 Popularity bias is a prevalent issue in recommendation systems, where popular items dominate recommendation lists, leading to reduced diversity and fairness. Traditional methods evaluate popularity bias based on overall item frequency, disregarding individual user tendencies. This study introduces a novel post-processing ranking method called Dynamic User Tendency Re-ranking DUTR to mitigate popularity bias in multi-criteria recommendation systems by incorporating user-specific preferences. DUTR leverages SHAP SHapley Additive exPlanations analysis to determine the influence of different criteria on user decision-making. Unlike conventional methods, which classify item popularity based on general trends, DUTR dynamically assesses each users priority preferences. It then classifies items as popular or less popular based on individual preference patterns. This approach ensures that recommendation lists align more closely with user-specific interests while maintaining a balance between popular and less popular items. To validate the effectiveness of DUTR, extensive experiments were conducted on the YM10 and YM20 datasets. The results show that DUTR significantly reduces popularity bias while improving diversity and fairness in recommendations. Moreover, the integration of SHAP values enhances the explainability of the recommendation process, providing users with personalized and transparent suggestions. In conclusion, comparative analysis with existing techniques demonstrates that DUTR outperforms traditional methods in balancing popularity and personalization.

 Popülerlik yanlılığı, öneri sistemlerinde yaygın bir sorundur; popüler öğeler öneri listelerine hakim olur ve bu durum çeşitliliğin ve adaletin azalmasına neden olur. Geleneksel yöntemler popülerlik yanlılığını genel öğe sıklığına göre değerlendirirken, bireysel kullanıcı eğilimlerini göz ardı etmektedir. Bu çalışma, çok kriterli öneri sistemlerinde popülerlik yanlılığını azaltmak amacıyla, kullanıcıya özgü tercihler içeren yeni bir son işlem sıralama yöntemi olan Dinamik Kullanıcı Eğilimi Yeniden Sıralama DUTR yöntemini önermektedir. DUTR, kullanıcıların karar verme süreçlerinde farklı kriterlerin etkisini belirlemek için SHAP SHapley Additive exPlanations analizinden yararlanmaktadır. Geleneksel yöntemler öğelerin popülerliğini genel eğilimlere göre sınıflandırırken, DUTR her kullanıcının öncelikli tercihlerini dinamik olarak değerlendirmektedir. Daha sonra, bireysel tercih kalıplarına göre öğeleri popüler veya daha az popüler olarak sınıflandırmaktadır. Bu yaklaşım, öneri listelerinin kullanıcıların özel ilgi alanlarıyla daha iyi örtüşmesini sağlarken, popüler ve daha az popüler öğeler arasında bir denge oluşturmayı hedeflemektedir. DUTRnin etkinliğini doğrulamak için YM10 ve YM20 veri setleri üzerinde kapsamlı deneyler gerçekleştirilmiştir. Sonuçlar, DUTRnin popülerlik yanlılığını önemli ölçüde azalttığını ve önerilerin çeşitliliğini ve adaletini artırdığını göstermektedir. Ayrıca, SHAP değerlerinin entegrasyonu, öneri sürecinin açıklanabilirliğini geliştirerek kullanıcılara kişiselleştirilmiş ve şeffaf öneriler sunmaktadır. Sonuç olarak, mevcut tekniklerle yapılan karşılaştırmalı analizler, DUTRnin popülerlik ve kişiselleştirme arasında denge sağlamada geleneksel yöntemlerden daha başarılı olduğunu ortaya koymaktadır.

Makale detayları

Mitigating Popularity Bias in Fair and Explainable Recommender Systems Using SHAP

Yazarlar:

Tuğba Türkoğlu Kaya

Yayıncı:

Duzce University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1180-1199

Belge Tipi:

Makale

Yayın Tarihi:

7/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001355747

pISSN:

2148-2446

Recommender systems

Popularity bias

User tendency

SHAP

Multi-criteria systemsÖneri sistemleri

Popüler yanlılığı

Kullanıcı eğilimi

SHAP

Çok ölçütlü sistemler

Sayı

Makale detayları

Yazarlar: Tuğba Türkoğlu Kaya

Yayıncı: Duzce University

Ana Başlıklar: Makine Öğrenme (Diğer)

Dergi: Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1180-1199

Belge Tipi: Makale

Yayın Tarihi: 7/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001355747

pISSN: 2148-2446

Sayı

Yazarlar:

Tuğba Türkoğlu Kaya

Yayıncı:

Duzce University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1180-1199

Belge Tipi:

Makale

Yayın Tarihi:

7/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001355747

pISSN:

2148-2446