Luchando fuego con fuego

El papel creciente de los sistemas de recomendación en muchos aspectos de la sociedad hace que sea esencial considerar cómo tales sistemas pueden impactar el bien social. Se han propuesto diversas modificaciones a los algoritmos de recomendación para mejorar su rendimiento en medidas socialmente relevantes específicas. Sin embargo, las propuestas anteriores a menudo no se adaptan fácilmente a diferentes medidas y generalmente requieren la capacidad de modificar ya sea los datos de entrada existentes del sistema, el algoritmo del sistema o las salidas del sistema. Como alternativa, en este trabajo introducimos la idea de mejorar la deseabilidad social de las salidas del sistema de recomendación añadiendo más datos a la entrada, un enfoque que consideramos como la provisión de datos 'antídoto' al sistema. Formalizamos el problema de los datos antídoto y desarrollamos soluciones basadas en optimización. Tomamos como nuestro sistema modelo el enfoque de factorización de matrices para la recomendación, y proponemos un conjunto de medidas para capturar la polarización o la equidad de las recomendaciones. Luego mostramos cómo generar datos antídoto para cada medida, señalando una serie de eficiencias computacionales y discutimos el impacto en la precisión general del sistema. Nuestros experimentos muestran que un presupuesto modesto para datos antídoto puede llevar a mejoras significativas en la polarización o equidad de las recomendaciones.