Anàlisi del biaix en els algorismes col·laboratius que consideren la sensibilitat de preu

Abstract

[ca] Els sistemes de recomanació tenen un paper clau en la personalització de l’experiència dels usuaris en plataformes digitals, especialment en el context del comerç electrònic. Tot i els avenços recents en tècniques basades en xarxes neuronals i grafs, sovint s’ha passat per alt un factor fonamental en la presa de decisions de compra: la sensibilitat al preu. Aquest Treball de Fi de Grau se centra en l’anàlisi i comparació de diversos models de recomanació col·laborativa que integren explícitament la informació sobre preus, amb l’objectiu d’avaluar com aquesta característica influeix en les recomanacions generades i si introdueix biaixos significatius envers determinats rangs de preus. S’estudien en profunditat tres models representatius: PASBR, CoHHN i PUP. Cadascun fa ús de representacions avançades —com grafs heterogenis o hipergrafs— per modelar tant les preferències d’interès com les preferències de preu dels usuaris. L’experimentació es duu a terme amb dos conjunts de dades reals (Amazon i Diginetica), i inclou una anàlisi quantitativa basada en mètriques com la representació de grups de preus, la visibilitat dispar i la precisió en la recomanació.

[en] Recommendation systems play a key role in personalizing user experiences on digital platforms, especially in the context of e-commerce. Despite recent advances in techniques based on neural networks and graphs, a fundamental factor in purchase decision-making is often overlooked: price sensitivity. This Treball de Final de Grau focuses on the analysis and comparison of various collaborative recommendation models that explicitly incorporate price information, with the goal of evaluating how this feature influences the recommendations generated and whether it introduces significant biases toward certain price ranges. Three representative models are studied in depth: PASBR, CoHHN, and PUP. Each uses advanced representations—such as heterogeneous graphs or hypergraphs—to model both interest preferences and users’ price preferences. The experimentation is carried out with two real-world datasets (Amazon and Diginetica), and includes a quantitative analysis based on metrics such as price group representation, disparate visibility, and recommendation accuracy.