{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3371230"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3371230","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Mitigating Popularity Bias in Recommender Systems: A Hybrid Approach with KoalaRec","abstract":"Η πιο δημοφιλής κατηγορία συστημάτων συστάσεων είναι τα συστήματα Συνεργατικού Φιλτραρίσματος (Collaborative Filtering - CF) τα οποία λειτουργούν ως εξειδικευμένα συ- στήματα ανάκτησης πληροφοριών που παράγουν εξατομικευμένες προτάσεις με τη χρήση της ανατροφοδότησης των χρηστών. Ωστόσο, αυτά τα συστήματα έχουν εγγενείς περιορι- σμούς. Πρώτον, αντιμετωπίζουν το πρόβλημα της ”ψυχρής εκκίνησης” για νέα αντικείμενα, για τα οποία δεν υπάρχουν ιστορικές αλληλεπιδράσεις χρηστών και ως εκ τούτου είναι δύσκολο να προταθούν. Δεύτερον, αυτοί οι αλγόριθμοι παρουσιάζουν σημαντική ευαισθη- σία στη δημοτικότητα, δηλαδή έχουν την τάση να προτείνουν δημοφιλή αντικείμενα σε δυσανάλογο βαθμό έναντι λιγότερο δημοφιλών εναλλακτικών επιλογών, πιθανώς πιο σχε- τικών με τις προτιμήσεις του εκάστοτε χρήστη. Για να αντιμετωπίσει αυτές τις προκλήσεις, η ερευνητική κοινότητα συχνά επεκτείνει τους αλγορίθμους CF με την ενσωμάτωση μετα- δεδομένων για τα αντικείμενα, καταλήγοντας στη δημιουργία υβριδικών συστημάτων συ- στάσεων. Παρόλο που αυτή η στρατηγική επιλύει εν μέρει τα προαναφερθέντα προβλή- ματα, εισάγει ένα πρόσθετο πρόβλημα: οι αλγόριθμοι έχουν την τάση να υπερτονίζουν συγκεκριμένες σχέσεις αντικειμένων που είναι παρούσες τόσο στην ανατροφοδότηση των χρηστών όσο και στα μεταδεδομένα των αντικειμένων. Για να αντιμετωπίσουμε αυτό το πολυδιάστατο πρόβλημα, παρουσιάζουμε το KoalaRec, ένα νέο μοντέλο συστάσεων βασισμένο στην εκμάθηση γειτονιάς. Το KoalaRec ενσωματώνει έναν όρο ορθογώνιας κανονικοποίησης, διατυπωμένο βάσει των αρχών των τεχνικών ομαδοποίησης πολλαπλών υπόχωρων, με στόχο να ενθαρρύνει την εξαγωγή πληροφοριών τόσο από τα δεδομένα ανατροφοδότησης των χρηστών όσο και από τα μεταδεδομένα των αντικειμένων. Αυτή η νέα προσέγγιση επιτρέπει στον αλγόριθμο να μάθει διακριτές σχέσεις μεταξύ των αντικει- μένων από κάθε πηγή δεδομένων, μειώνοντας έτσι τον κίνδυνο έμφασης σε συγκεκριμένες σχέσεις μεταξύ τους. Τα πειράματά μας δείχνουν ότι το KoalaRec αντιμετωπίζει αποτελε- σματικά το πρόβλημα της δημοτικότητας, καθώς το μοντέλο υπερτερεί των άλλων αλγο- ρίθμων που εξετάζονται ως προς την κάλυψη καταλόγου και τον συντελεστή Gini, αν και, σε ορισμένες περιπτώσεις, με το κόστος μιας ελαφριάς μείωσης της ακρίβειας των συστάσεων.","abstract_html":"Η πιο δημοφιλής κατηγορία συστημάτων συστάσεων είναι τα συστήματα Συνεργατικού Φιλτραρίσματος (Collaborative Filtering - CF) τα οποία λειτουργούν ως εξειδικευμένα συ- στήματα ανάκτησης πληροφοριών που παράγουν εξατομικευμένες προτάσεις με τη χρήση της ανατροφοδότησης των χρηστών. Ωστόσο, αυτά τα συστήματα έχουν εγγενείς περιορι- σμούς. Πρώτον, αντιμετωπίζουν το πρόβλημα της ”ψυχρής εκκίνησης” για νέα αντικείμενα, για τα οποία δεν υπάρχουν ιστορικές αλληλεπιδράσεις χρηστών και ως εκ τούτου είναι δύσκολο να προταθούν. Δεύτερον, αυτοί οι αλγόριθμοι παρουσιάζουν σημαντική ευαισθη- σία στη δημοτικότητα, δηλαδή έχουν την τάση να προτείνουν δημοφιλή αντικείμενα σε δυσανάλογο βαθμό έναντι λιγότερο δημοφιλών εναλλακτικών επιλογών, πιθανώς πιο σχε- τικών με τις προτιμήσεις του εκάστοτε χρήστη. Για να αντιμετωπίσει αυτές τις προκλήσεις, η ερευνητική κοινότητα συχνά επεκτείνει τους αλγορίθμους CF με την ενσωμάτωση μετα- δεδομένων για τα αντικείμενα, καταλήγοντας στη δημιουργία υβριδικών συστημάτων συ- στάσεων. Παρόλο που αυτή η στρατηγική επιλύει εν μέρει τα προαναφερθέντα προβλή- ματα, εισάγει ένα πρόσθετο πρόβλημα: οι αλγόριθμοι έχουν την τάση να υπερτονίζουν συγκεκριμένες σχέσεις αντικειμένων που είναι παρούσες τόσο στην ανατροφοδότηση των χρηστών όσο και στα μεταδεδομένα των αντικειμένων. Για να αντιμετωπίσουμε αυτό το πολυδιάστατο πρόβλημα, παρουσιάζουμε το KoalaRec, ένα νέο μοντέλο συστάσεων βασισμένο στην εκμάθηση γειτονιάς. Το KoalaRec ενσωματώνει έναν όρο ορθογώνιας κανονικοποίησης, διατυπωμένο βάσει των αρχών των τεχνικών ομαδοποίησης πολλαπλών υπόχωρων, με στόχο να ενθαρρύνει την εξαγωγή πληροφοριών τόσο από τα δεδομένα ανατροφοδότησης των χρηστών όσο και από τα μεταδεδομένα των αντικειμένων. Αυτή η νέα προσέγγιση επιτρέπει στον αλγόριθμο να μάθει διακριτές σχέσεις μεταξύ των αντικει- μένων από κάθε πηγή δεδομένων, μειώνοντας έτσι τον κίνδυνο έμφασης σε συγκεκριμένες σχέσεις μεταξύ τους. Τα πειράματά μας δείχνουν ότι το KoalaRec αντιμετωπίζει αποτελε- σματικά το πρόβλημα της δημοτικότητας, καθώς το μοντέλο υπερτερεί των άλλων αλγο- ρίθμων που εξετάζονται ως προς την κάλυψη καταλόγου και τον συντελεστή Gini, αν και, σε ορισμένες περιπτώσεις, με το κόστος μιας ελαφριάς μείωσης της ακρίβειας των συστάσεων.","abstract_has_math":false,"creators":["Μπούλιαρη Ισμήνη","Bouliari Ismini"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:27:30Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3371230"],"render_values":[{"text":"uoadl:3371230","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3371230","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3371230","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3371230","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπούλιαρη Ισμήνη","Bouliari Ismini"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3371230","https://pergamos.lib.uoa.gr/uoa/dl/object/3371230"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η πιο δημοφιλής κατηγορία συστημάτων συστάσεων είναι τα συστήματα Συνεργατικού Φιλτραρίσματος (Collaborative Filtering - CF) τα οποία λειτουργούν ως εξειδικευμένα συ- στήματα ανάκτησης πληροφοριών που παράγουν εξατομικευμένες προτάσεις με τη χρήση της ανατροφοδότησης των χρηστών. Ωστόσο, αυτά τα συστήματα έχουν εγγενείς περιορι- σμούς. Πρώτον, αντιμετωπίζουν το πρόβλημα της ”ψυχρής εκκίνησης” για νέα αντικείμενα, για τα οποία δεν υπάρχουν ιστορικές αλληλεπιδράσεις χρηστών και ως εκ τούτου είναι δύσκολο να προταθούν. Δεύτερον, αυτοί οι αλγόριθμοι παρουσιάζουν σημαντική ευαισθη- σία στη δημοτικότητα, δηλαδή έχουν την τάση να προτείνουν δημοφιλή αντικείμενα σε δυσανάλογο βαθμό έναντι λιγότερο δημοφιλών εναλλακτικών επιλογών, πιθανώς πιο σχε- τικών με τις προτιμήσεις του εκάστοτε χρήστη. Για να αντιμετωπίσει αυτές τις προκλήσεις, η ερευνητική κοινότητα συχνά επεκτείνει τους αλγορίθμους CF με την ενσωμάτωση μετα- δεδομένων για τα αντικείμενα, καταλήγοντας στη δημιουργία υβριδικών συστημάτων συ- στάσεων. Παρόλο που αυτή η στρατηγική επιλύει εν μέρει τα προαναφερθέντα προβλή- ματα, εισάγει ένα πρόσθετο πρόβλημα: οι αλγόριθμοι έχουν την τάση να υπερτονίζουν συγκεκριμένες σχέσεις αντικειμένων που είναι παρούσες τόσο στην ανατροφοδότηση των χρηστών όσο και στα μεταδεδομένα των αντικειμένων. Για να αντιμετωπίσουμε αυτό το πολυδιάστατο πρόβλημα, παρουσιάζουμε το KoalaRec, ένα νέο μοντέλο συστάσεων βασισμένο στην εκμάθηση γειτονιάς. Το KoalaRec ενσωματώνει έναν όρο ορθογώνιας κανονικοποίησης, διατυπωμένο βάσει των αρχών των τεχνικών ομαδοποίησης πολλαπλών υπόχωρων, με στόχο να ενθαρρύνει την εξαγωγή πληροφοριών τόσο από τα δεδομένα ανατροφοδότησης των χρηστών όσο και από τα μεταδεδομένα των αντικειμένων. Αυτή η νέα προσέγγιση επιτρέπει στον αλγόριθμο να μάθει διακριτές σχέσεις μεταξύ των αντικει- μένων από κάθε πηγή δεδομένων, μειώνοντας έτσι τον κίνδυνο έμφασης σε συγκεκριμένες σχέσεις μεταξύ τους. Τα πειράματά μας δείχνουν ότι το KoalaRec αντιμετωπίζει αποτελε- σματικά το πρόβλημα της δημοτικότητας, καθώς το μοντέλο υπερτερεί των άλλων αλγο- ρίθμων που εξετάζονται ως προς την κάλυψη καταλόγου και τον συντελεστή Gini, αν και, σε ορισμένες περιπτώσεις, με το κόστος μιας ελαφριάς μείωσης της ακρίβειας των συστάσεων.","The most popular category of recommender systems is Collaborative Filtering (CF) recommenders, which serve as specialized information retrieval systems that generate personalized suggestions by leveraging user feedback. However, these systems have some intrinsic limitations. Firstly, they face the item cold-start problem, where new items lacking historical interactions are difficult to recommend. Secondly, these algorithms are notably sensitive to popularity bias, disproportionately favoring well-known items over less popular but, possibly more relevant, alternatives. To counter these challenges, the research community frequently extends CF algorithms by incorporating side information, resulting in the formation of hybrid recommender systems. Although this strategy partially resolves the aforementioned issues, it introduces an additional problem: the algorithms have a tendency to redundantly emphasize specific item relationships that are present in both user feedback and side information. To address this multifold problem, we introduce KoalaRec, a novel neighborhood learning-based recommendation model. KoalaRec incorporates an orthogonal regularization term, formulated on the principles of multiview subspace clustering techniques, to encourage diverse information extraction from both user feedback data and side information. This unique approach enables the algorithm to learn distinct item-item relationships from each data source, thereby mitigating the risk of redundant emphasis on particular item connections. We experimentally show that KoalaRec effectively addresses the issue of popularity bias, as the model outperforms other evaluated algorithms in terms of catalog coverage and the Gini coefficient, albeit at the cost of a minor reduction in recommendation accuracy in some cases."]},{"key":"dc:title","label":"Title","values":["Mitigating Popularity Bias in Recommender Systems: A Hybrid Approach with KoalaRec"]}]}],"canonical_facts":{"dc:creator":["Μπούλιαρη Ισμήνη","Bouliari Ismini"],"dc:date":["2023"],"dc:description":["Η πιο δημοφιλής κατηγορία συστημάτων συστάσεων είναι τα συστήματα Συνεργατικού Φιλτραρίσματος (Collaborative Filtering - CF) τα οποία λειτουργούν ως εξειδικευμένα συ- στήματα ανάκτησης πληροφοριών που παράγουν εξατομικευμένες προτάσεις με τη χρήση της ανατροφοδότησης των χρηστών. Ωστόσο, αυτά τα συστήματα έχουν εγγενείς περιορι- σμούς. Πρώτον, αντιμετωπίζουν το πρόβλημα της ”ψυχρής εκκίνησης” για νέα αντικείμενα, για τα οποία δεν υπάρχουν ιστορικές αλληλεπιδράσεις χρηστών και ως εκ τούτου είναι δύσκολο να προταθούν. Δεύτερον, αυτοί οι αλγόριθμοι παρουσιάζουν σημαντική ευαισθη- σία στη δημοτικότητα, δηλαδή έχουν την τάση να προτείνουν δημοφιλή αντικείμενα σε δυσανάλογο βαθμό έναντι λιγότερο δημοφιλών εναλλακτικών επιλογών, πιθανώς πιο σχε- τικών με τις προτιμήσεις του εκάστοτε χρήστη. Για να αντιμετωπίσει αυτές τις προκλήσεις, η ερευνητική κοινότητα συχνά επεκτείνει τους αλγορίθμους CF με την ενσωμάτωση μετα- δεδομένων για τα αντικείμενα, καταλήγοντας στη δημιουργία υβριδικών συστημάτων συ- στάσεων. Παρόλο που αυτή η στρατηγική επιλύει εν μέρει τα προαναφερθέντα προβλή- ματα, εισάγει ένα πρόσθετο πρόβλημα: οι αλγόριθμοι έχουν την τάση να υπερτονίζουν συγκεκριμένες σχέσεις αντικειμένων που είναι παρούσες τόσο στην ανατροφοδότηση των χρηστών όσο και στα μεταδεδομένα των αντικειμένων. Για να αντιμετωπίσουμε αυτό το πολυδιάστατο πρόβλημα, παρουσιάζουμε το KoalaRec, ένα νέο μοντέλο συστάσεων βασισμένο στην εκμάθηση γειτονιάς. Το KoalaRec ενσωματώνει έναν όρο ορθογώνιας κανονικοποίησης, διατυπωμένο βάσει των αρχών των τεχνικών ομαδοποίησης πολλαπλών υπόχωρων, με στόχο να ενθαρρύνει την εξαγωγή πληροφοριών τόσο από τα δεδομένα ανατροφοδότησης των χρηστών όσο και από τα μεταδεδομένα των αντικειμένων. Αυτή η νέα προσέγγιση επιτρέπει στον αλγόριθμο να μάθει διακριτές σχέσεις μεταξύ των αντικει- μένων από κάθε πηγή δεδομένων, μειώνοντας έτσι τον κίνδυνο έμφασης σε συγκεκριμένες σχέσεις μεταξύ τους. Τα πειράματά μας δείχνουν ότι το KoalaRec αντιμετωπίζει αποτελε- σματικά το πρόβλημα της δημοτικότητας, καθώς το μοντέλο υπερτερεί των άλλων αλγο- ρίθμων που εξετάζονται ως προς την κάλυψη καταλόγου και τον συντελεστή Gini, αν και, σε ορισμένες περιπτώσεις, με το κόστος μιας ελαφριάς μείωσης της ακρίβειας των συστάσεων.","The most popular category of recommender systems is Collaborative Filtering (CF) recommenders, which serve as specialized information retrieval systems that generate personalized suggestions by leveraging user feedback. However, these systems have some intrinsic limitations. Firstly, they face the item cold-start problem, where new items lacking historical interactions are difficult to recommend. Secondly, these algorithms are notably sensitive to popularity bias, disproportionately favoring well-known items over less popular but, possibly more relevant, alternatives. To counter these challenges, the research community frequently extends CF algorithms by incorporating side information, resulting in the formation of hybrid recommender systems. Although this strategy partially resolves the aforementioned issues, it introduces an additional problem: the algorithms have a tendency to redundantly emphasize specific item relationships that are present in both user feedback and side information. To address this multifold problem, we introduce KoalaRec, a novel neighborhood learning-based recommendation model. KoalaRec incorporates an orthogonal regularization term, formulated on the principles of multiview subspace clustering techniques, to encourage diverse information extraction from both user feedback data and side information. This unique approach enables the algorithm to learn distinct item-item relationships from each data source, thereby mitigating the risk of redundant emphasis on particular item connections. We experimentally show that KoalaRec effectively addresses the issue of popularity bias, as the model outperforms other evaluated algorithms in terms of catalog coverage and the Gini coefficient, albeit at the cost of a minor reduction in recommendation accuracy in some cases."],"dc:identifier":["uoadl:3371230","https://pergamos.lib.uoa.gr/uoa/dl/object/3371230"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Mitigating Popularity Bias in Recommender Systems: A Hybrid Approach with KoalaRec"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:30Z"}