Sistemas de Recomendación Equitativos y Robustos: Mitigación del Sesgo Demográfico y Gestión de la Incertidumbre
Year: 2026
Type: dissertation
Abstract: Recommender systems have become a fundamental tool in many data-driven applications, with collaborative filtering being one of the most widely used techniques due to its ability to model user preferences from interaction data. However, these systems present several limitations related to prediction quality, the presence of bias in the data, and the difficulty of adapting models to different user behaviors. This thesis addresses these issues from three complementary perspectives. First, the impact of demographic characteristics on the performance of recommender systems is analyzed, revealing the existence of disparities in prediction quality across different user groups. This analysis shows that these differences are not only caused by data imbalance, but also by intrinsic factors related to user behavior. Second, a probabilistic model is proposed that introduces the concept of recklessness, a new regularization term that allows the variance of the probability distributions generated by the recommender system to be controlled. This approach makes it possible to adjust the trade-off between accuracy and coverage, favoring either more conservative or more risk-taking models depending on the value of the parameter. Experimental results show that this regularization improves system performance and expands the set of optimal solutions. Finally, the combination of recommendation models through neural network-based stacking techniques is explored. The proposed models learn to dynamically weight the predictions of different collaborative filtering algorithms depending on the user and the item, achieving better accuracy than individual models and other deep learning approaches. Overall, the results demonstrate that improving recommender systems does not only depend on designing more complex models, but also on understanding data behavior, managing prediction uncertainty, and properly combining different approaches. RESUMEN Los sistemas de recomendación se han consolidado como una herramienta fundamental en múltiples aplicaciones basadas en datos. Entre las técnicas más utilizadas destaca el filtrado colaborativo, debido a su capacidad para modelar las preferencias de los usuarios a partir de sus interacciones. Sin embargo, estos sistemas presentan diversas limitaciones relacionadas con la calidad de las predicciones, la presencia de sesgos en los datos y la dificultad para adaptar los modelos a distintos comportamientos de usuario. En esta tesis se abordan estos problemas desde tres perspectivas complementarias. En primer lugar, se analiza el impacto de las características demográficas en el rendimiento de los sistemas de recomendación, evidenciando la existencia de desigualdades en la calidad de las predicciones entre distintos grupos de usuarios. Este análisis pone de manifiesto que dichas diferencias no se deben únicamente al desbalanceo de los datos, sino también a factores intrínsecos relacionados con el comportamiento de los usuarios. En segundo lugar, se propone un modelo probabilístico que introduce el concepto de recklessness, un nuevo término de regularización que permite controlar la varianza de las distribuciones de probabilidad generadas por el sistema de recomendación. Este enfoque permite ajustar el compromiso entre precisión y cobertura, favoreciendo modelos más conservadores o más arriesgados según el valor del parámetro. Los resultados experimentales muestran que esta regularización mejora el rendimiento del sistema y amplía el conjunto de soluciones óptimas. Finalmente, se explora la combinación de modelos de recomendación mediante técnicas de stacking basadas en redes neuronales. Los modelos propuestos aprenden a ponderar dinámicamente las predicciones de distintos algoritmos de filtrado colaborativo en función del usuario y del ítem, logrando mejorar la precisión respecto a los modelos individuales y a otros enfoques basados en aprendizaje profundo. En conjunto, los resultados obtenidos demuestran que la mejora de los sistemas de recomendación no depende únicamente del diseño de modelos más complejos, sino también de la comprensión del comportamiento de los datos, la gestión de la incertidumbre en las predicciones y la combinación adecuada de diferentes enfoques.
Author: Diego Pérez López
Institution: Universidad Politécnica de Madrid
Language: English
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7204165657
