Algorithmic bias and fairness in recommendation systems
| dc.contributor.author | KARBOUA , Sabrina | |
| dc.contributor.author | HARRAG , Fouzi Supervisor | |
| dc.contributor.author | MEZIANE , Farid Co-Supervisor | |
| dc.date.accessioned | 2026-11-16T10:11:52Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Recommender systems (RSs) have become essential components of modern digital platforms, en-abling personalized delivery of content, products, and services across domains such as e-commerce, streaming, social media, and online news. By leveraging large-scale user interaction data, they substantially influence information discovery and user engagement. However, RSs often inherit and amplify biases embedded in historical data, raising significant fairness concerns. These biases arise along two principal dimensions. On the user side, recommendations may become correlated with sensitive demographic attributes, such as gender, leading to stereotypical or discriminatory out-comes. On the item side, popularity bias reinforces the overexposure of highly popular items while systematically limiting the visibility of long-tail content, thereby reducing catalog diversity.As inherently multi-stakeholder systems, recommender systems must balance the interests of users seeking relevant recommendations and item providers requiring equitable exposure. Consequently, fairness is fundamentally a two-sided problem. Existing approaches typically address either user-side or item-side fairness in isolation or apply fairness constraints only to recommendation outputs, leaving biased latent representations unchanged. Such representations continue to encode sensitive information, allowing bias to re-emerge. This dissertation argues that effective and durable two-sided fairness must be achieved at the representation level by learning unbiased user and item embeddings before recommendation generation. This research proposes a representation-centric framework for two-sided fairness that directly debi-ases latent user and item representations. The proposed approach simultaneously mitigates user-side demographic bias and item-side popularity bias while preserving recommendation quality. Extensive experiments on multiple benchmark datasets demonstrate significant improvements in both fairness dimensions without compromising recommendation accuracy. The proposed approach consistently outperforms state-of-the-art fairness-aware recommender systems across a broad range of fairness metrics, highlighting the effectiveness of representation-level debiasing for developing fair, accurate, and balanced recommender systems. | |
| dc.description.sponsorship | Les systèmes de recommandation (SR) sont devenus des composantes essentielles des plateformes numériques modernes, assurant la diffusion personnalisée de contenus, de produits et de services dans des domaines tels que le commerce électronique, la diffusion en continu, les réseaux sociaux et les médias en ligne. En exploitant des données d’interaction à grande échelle, ils influencent fortement la découverte de l’information et l’engagement des utilisateurs. Toutefois, ces systèmes héritent et amplifient souvent les biais présents dans les données historiques, soulevant d’importantes préoccupations en matière d’équité. Ces biais se manifestent selon deux dimensions principales. Du côté des utilisateurs, les recommandations peuvent être corrélées à des attributs démographiques sensibles, tels que le genre, conduisant à des résultats stéréotypés ou discriminatoires. Du côté des items, le biais de popularité favorise les contenus les plus populaires au détriment des items de longue traîne, réduisant ainsi la diversité du catalogue. En tant que systèmes intrinsèquement multi-parties prenantes, les systèmes de recommandation doivent concilier les intérêts des utilisateurs, qui recherchent des recommandations pertinentes, et ceux des fournisseurs d’items, qui nécessitent une exposition équitable. L’équité constitue ainsi un problème fondamentalement bilatéral. Les approches existantes traitent généralement l’équité du côté des utilisateurs ou des items de manière indépendante, ou imposent des contraintes uniquement au niveau des recommandations produites, sans corriger les représentations latentes sous-jacentes. Ces représentations continuent alors d’encoder des informations sensibles, favorisant la réapparition des biais. Cette thèse montre qu’une équité bilatérale durable nécessite un débiaisage directement au niveau des représentations apprises. Cette recherche propose un cadre centré sur les représentations pour assurer l’équité bilatérale dans les systèmes de recommandation en apprenant des représentations latentes débiaisées des utilisateurs et des items. L’approche proposée réduit simultanément les biais démographiques côté utilisateur et les biais de popularité côté item tout en préservant la qualité des recommandations. Des évaluations expérimentales menées sur plusieurs jeux de données de référence démontrent des améliorations significatives des deux dimensions de l’équité sans compromettre les performances de recommandation. Les résultats surpassent systématiquement les méthodes de l’état de l’art selon les différentes métriques d’équité, confirmant l’efficacité du débiaisage au niveau des représentations pour concevoir des systèmes de recommandation plus équitables, précis et équilibrés. | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4278 | |
| dc.language.iso | en | |
| dc.publisher | Setif 1 University - Ferhat ABBAS , Faculty of Sciences | |
| dc.subject | Recommender systems | |
| dc.subject | Algorithmic fairness | |
| dc.subject | Two-sided fairness | |
| dc.subject | Bias mitigation | |
| dc.subject | Dis-entangled representation learning | |
| dc.subject | adversarial debiasing | |
| dc.subject | Variational autoencoders | |
| dc.subject | Orthogonal reg-ularization | |
| dc.subject | Multi-stakeholder fairness | |
| dc.subject | Popularity bias. Recommender systems | |
| dc.subject | Adversarial debiasing | |
| dc.subject | Popularity bias. أنظمة التوصية» العدالة الخوارزمية» العدالة ثنائية الجانب» تخفيف الانحياز» تعلم التمثيل» التعلم التنافسي» أجهزة التشفير التلقائي التباينية | |
| dc.title | Algorithmic bias and fairness in recommendation systems | |
| dc.type | Thesis |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- E-TH 2627 Algorithmic Bias and Fairness in Recommendation Systems KARBOUA , Sabrina.pdf
- Size:
- 14.33 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
Loading...
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description:
