Abstract (FR)

Les algorithmes d'apprentissage automatique (machine learning) sont largement utilisés dans les systèmes de recommandation pour personnaliser les suggestions de contenu en fonction des préférences des utilisateurs. Cependant, ces algorithmes peuvent involontairement favoriser certains producteurs tout en négligeant d'autres, soulevant des préoccupations éthiques et sociétales concernant l'équité et la représentation. Ce travail vise à créer des algorithmes de recommandation plus équitable qui équilibrent les préférences des utilisateurs avec le bien-être des producteurs de contenu. En abordant les défis liés à la définition de l'équité et à l'efficacité computationnelle, nous proposons un cadre ancré dans la théorie du choix social. ce cadre guide le développement de nouvelles méthode de recommandation qui distribuent équitablement l'exposition aux producteurs de contenu sans compromettre la qualité des recommandations. Nos méthodes sont étayées par des garanties théoriques concernant l'équité, la convergence et l'efficacité computationnelle, ainsi que par des évaluations sur des jeux de données.