Examining the effects of profile injection attacks on recommender systems on the popularity bias problem

Dijital platformlar, kullanıcıların ilgisini çekmek için sundukları içerikleri öneri sistemleriyle kişiselleştirirken, aynı zamanda öngörülemeyen bir sorun olan popülerlik yanlılığı ile karşı karşıya kalmaktadır. Öneri algoritmalarının popüler içeriklere yönelmesi, kullanıcıların yeni ve niş içeriklere ulaşma imkanını sınırlandırarak platformlardaki içerik çeşitliliğini daraltmaktadır. Bu tez, öneri sistemlerinde popülerlik yanlılığını azaltmak ve kullanıcıların daha çeşitli içeriklere erişimini sağlamak amacıyla yenilikçi bir yaklaşım sunmaktadır. Çalışmanın özgün yanı, genelde güvenlik riski olarak bilinen profil enjeksiyon atak modellerini popülerlik yanlılığını azaltmada stratejik bir araç olarak kullanmasıdır. Average, Bandwagon ve Random Attack gibi saldırı modelleri, bu tezde, sistemin çeşitlilik dengesini sağlamak amacıyla farklı bir kullanım alanına taşınmıştır. Özellikle Random Attack modeli, popüler olmayan içerikleri öne çıkararak öneri sistemini daha dengeli ve adil hale getirmek için güçlü bir alternatif sunmaktadır. Aynı zamanda, popülerlik yanlılığını azaltma amacıyla önerilen geleneksel yöntemler olan XQUAD, ERPAug, ERPMul ve VAR gibi debiasing teknikleri de karşılaştırmalı olarak analiz edilmiştir. Bu çalışma, yaygın kullanılan MovieLens veri seti üzerinde ve VAECF (Variational Autoencoder for Collaborative Filtering) algoritması kullanılarak gerçekleştirilmiştir. Deneylerde, her yöntemin popülerlik yanlılığını azaltma etkisi ve öneri kalitesini koruma düzeyi, APLT, F1-Score, nDCG ve Novelty gibi performans metrikleri ile ölçülmüştür. Sonuçlar, XQUAD yönteminin popülerlik yanlılığını azaltmada en etkili yöntem olduğunu ortaya koyarken, Random Attack (Attack Size 10, Filler Size 10) modelinin ise öneri doğruluğunu ve çeşitliliği bir arada koruyarak dengeli bir performans sunduğunu göstermektedir. Buna karşılık, ERPMul ve VAR yöntemleri yüksek çeşitlilik sağlarken öneri doğruluğunda bazı ödünler verebilmektedir. Bu bulgular, dijital platformların adil, çeşitli ve kullanıcı odaklı öneriler sunmak için hangi yöntemi seçebileceğine dair rehber niteliğinde bilgiler sunmaktadır. Sonuç olarak, bu tez öneri sistemlerinde popülerlik yanlılığını azaltmaya yönelik yenilikçi bir bakış açısı sunarak, adalet ve çeşitliliği artırmayı hedefleyen stratejik yaklaşımlara katkıda bulunmaktadır. Çalışmanın bulguları, gelecekte farklı veri setleri ve algoritmalarla genişletilerek öneri sistemlerinde adil ve çeşitlendirilmiş içerik sunma yönündeki çözümlerin geliştirilmesine ışık tutabilir.