Recommender Systems: from Click-Through Rate Prediction to True Personalization

Abstract

[eng] Recommender Systems (RS) have revolutionized the way we navigate the over-whelming amount of digital content available on the internet. Originating in the 1990s, these systems were developed to address the challenge of information over-load and help users find relevant content based on their preferences. Since then, RS have become integral to various domains, serving billions of users with personalized recommendations. Advancements in RS can be categorized into three key areas. Firstly, researchers have focused on refining models through deep learning algorithms, enabling more ac-curate predictions by identifying patterns within large datasets. Secondly, evaluation metrics have evolved beyond accuracy, considering factors like fairness and diversity to provide recommendations aligned with users’ preferences. Ethical considerations have also emerged, leading to frameworks ensuring responsible deployment of RS, addressing biases and protecting user privacy. In this work, we explore the progress made in RS research. We discuss novel approaches leveraging deep learning and uncertainty, innovative evaluation metrics, and ethical considerations. The aim is to develop more accurate, diverse, and ethically sound RS that empower users to embark on personalized content discovery journeys.

[cat] Els Sistemes de Recomanació (RS) han revolucionat la manera com naveguem per l’immens volum de contingut digital disponible a internet. Originats a la dècada de 1990, aquests sistemes van ser desenvolupats per fer front al desafiament de la sobrecàrrega informativa i ajudar als usuaris a trobar continguts rellevants segons les seves preferències. Des de llavors, els RS s’han convertit en eines fonamentals en diversos àmbits, oferint recomanacions personalitzades a milers de milions d’usuaris. Els avenços en els RS es poden classificar en tres àrees clau. En primer lloc, la recerca s’ha centrat en millorar els models mitjançant algoritmes d’aprenentatge profund, permetent prediccions més precises a partir de l’identificació de patrons dins de grans conjunts de dades. En segon lloc, les mètriques d’avaluació han evolucionat més enllà del punt de vista numèric, incorporant aspectes com l’equitat i la diversitat per oferir recomanacions més alineades amb les preferències dels usuaris. També han sorgit consideracions ètiques, que han conduït a la creació de nous marcs conceptuals per garantir un desplegament responsable dels RS, abordant biaixos i protegint la privacitat de l’usuari. En aquest treball, explorem els avenços recents en la recerca sobre RS tot discutint enfocaments nous que aprofiten l’aprenentatge profund, la incertesa, mètriques d’avaluació innovadores i qüestions ètiques. L’objectiu és desenvolupar RS més precisos, diversos i èticament responsables que empoderin els usuaris per iniciar trajectes personalitzats de descobriment de contingut.