Bibliographie

Toutes les références sur lesquelles ce travail s'appuie, avec ce que chacune y sert. Une référence sans usage identifiable n'appartient pas à une bibliographie mais à une liste de lectures.

Cette page est dérivée de paper/refs.bib, le fichier que compilent les deux notes : les deux ne peuvent pas diverger, et un test le vérifie. Elle se régénère par docker compose run --rm lab python scripts/build_bibliography.py.

Entropie et information

• Shannon, Claude E. (1948). A Mathematical Theory of Communication, Bell System Technical Journal, vol. 27(3), p. 379–423.
  Définit l'entropie dont l'indice est la version normalisée.
• von Neumann, John (1932). Mathematische Grundlagen der Quantenmechanik.
  Entropie du sous-système réduit, sur laquelle reposait l'analogie.
• Jost, Lou (2006). Entropy and diversity, Oikos, vol. 113(2), p. 363–375.
  Justifie de publier l'indice en nombre effectif de points de vue plutôt qu'en entropie normalisée.

Recommandation, diversité et normativité

• Pariser, Eli (2011). The Filter Bubble: What the Internet Is Hiding from You.
  Formulation populaire de la bulle de filtres.
• Carbonell, Jaime ; Goldstein, Jade (1998). The Use of MMR, Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, p. 335–336. →
  MMR : la ligne de base qui tient la frontière aussi bien que le filtre proposé ici.
• Rao, C. Radhakrishna (1982). Diversity and dissimilarity coefficients: A unified approach, Theoretical Population Biology, vol. 21(1), p. 24–43.
  Entropie quadratique, premier remplaçant envisagé — et écarté.
• Ohsaka, Naoto ; Togashi, Riku (2023). A Critical Reexamination of Intra-List Distance and Dispersion, Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval, p. 1619–1628. →
  Établit les optima dégénérés de l'intra-list distance, retrouvés ici par optimisation sous contrainte.
• Steck, Harald (2018). Calibrated Recommendations, Proceedings of the 12th ACM Conference on Recommender Systems, p. 154–162. →
  Recommandations calibrées : la cible comme distribution déclarée.
• Vrijenhoek, Sanne ; Bénédict, Gabriel ; Gutierrez Granada, Mateo ; Odijk, Daan ; de Rijke, Maarten (2022). RADio – Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations, Proceedings of the 16th ACM Conference on Recommender Systems, p. 208–219. →
  RADio : divergences conscientes du rang et diversité normative, dont l'indice n'occupe qu'une dimension.
• Deffuant, Guillaume ; Neau, David ; Amblard, Frederic ; Weisbuch, G\'erard (2000). Mixing beliefs among interacting agents, Advances in Complex Systems, vol. 3(01n04), p. 87–98.
  Rappelle que les opinions sont multidimensionnelles, ce qu'un catalogue de points de vue discrétise nécessairement.

Biais de position et évaluation contrefactuelle

• Joachims, Thorsten ; Swaminathan, Adith ; Schnabel, Tobias (2017). Unbiased Learning-to-Rank with Biased Feedback, Proceedings of the Tenth ACM International Conference on Web Search and Data Mining, p. 781–789. →
  Modèle de biais de position \(e(R) = R^{-\eta}\) et correction par propension inverse.
• Craswell, Nick ; Zoeter, Onno ; Taylor, Michael ; Ramsey, Bill (2008). An Experimental Comparison of Click Position-Bias Models, Proceedings of the 2008 International Conference on Web Search and Data Mining, p. 87–94. →
  Modèle à cascade : la contre-épreuve qui montre que le test d'échangeabilité tient et que la loi de puissance ne tient pas.
• Agarwal, Aman ; Zaitsev, Ivan ; Wang, Xuanhui ; Li, Cheng ; Najork, Marc ; Joachims, Thorsten (2019). Estimating Position Bias without Intrusive Interventions, Proceedings of the Twelfth ACM International Conference on Web Search and Data Mining, p. 474–482.
  Récolte d'interventions : estimer la sévérité sans expérience.
• Swaminathan, Adith ; Joachims, Thorsten (2015). The Self-Normalized Estimator for Counterfactual Learning, Advances in Neural Information Processing Systems 28, p. 3231–3239. →
  Estimateur auto-normalisé, employé dans les comparaisons.
• Vardasbi, Ali ; Oosterhuis, Harrie ; de Rijke, Maarten (2020). When Inverse Propensity Scoring does not Work: Affine Corrections for Unbiased Learning to Rank, Proceedings of the 29th ACM International Conference on Information and Knowledge Management, p. 1475–1484. →
  Biais de confiance et modèle affine : démontre que l'IPS ne peut pas le corriger, et fournit la contre-épreuve du notebook 20.
• Hager, Philipp ; Deffayet, Romain ; Renders, Jean-Michel ; Zoeter, Onno ; de Rijke, Maarten (2024). Unbiased Learning to Rank Meets Reality: Lessons from Baidu's Large-Scale Search Dataset, Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. →
  Sur le jeu même où ce dépôt mesure \(\hat\eta = 1{,}10\) : corriger le biais de position n'améliore pas le classement.

Jeux de données publics

• Wu, Fangzhao ; Qiao, Ying ; Chen, Jiun-Hung ; Wu, Chuhan ; Qi, Tao ; Lian, Jianxun ; Liu, Danyang ; Xie, Xing ; Gao, Jianfeng ; Wu, Winnie ; Zhou, Ming (2020). MIND: A Large-scale Dataset for News Recommendation, Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, p. 3597–3606. →
  MIND, dont ce dépôt établit que l'ordre enregistré est mélangé.
• Zou, Lixin ; Mao, Haitao ; Chu, Xiaokai ; Tang, Jiliang ; Ye, Wenwen ; Wang, Shuaiqiang ; Yin, Dawei (2022). A Large Scale Search Dataset for Unbiased Learning to Rank, arXiv preprint arXiv:2207.03051. →
  Baidu-ULTR, le contrôle positif du test d'échangeabilité.
• Saito, Yuta ; Aihara, Shunsuke ; Matsutani, Megumi ; Narita, Yusuke (2020). Open Bandit Dataset and Pipeline: Towards Realistic and Reproducible Off-Policy Evaluation, arXiv preprint arXiv:2008.07146. →
  Open Bandit Dataset : propensions vraies et seau aléatoire, seule confrontation à une vérité terrain.
• van Drunen, Max ; Vrijenhoek, Sanne (2025). How public datasets constrain the development of diversity-aware news recommender systems, and what law could do about it, arXiv preprint arXiv:2510.05952. →
  Établit avant nous que les jeux publics sont le goulot d'étranglement, et le droit européen la voie d'accès.

---

Source : paper/refs.bib · les deux notes de synthèse citent ces mêmes entrées · audit critique · appel à relecture