本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法，并通过实验证明其在这三个方面的有效性和权衡。

Oct, 2020

本文研究了现有的选集算法在增加历史劣势群体代表性或整体提高代表性时所引发的群体内不公平问题，并通过整数线性规划引入额外约束来平衡群体内公平性和整体性能之间的可行性权衡。

Jun, 2019

针对排名中的公平性问题，我们提出一种基于分配式最小最大公平理论的算法，旨在通过随机化策略，尽可能地减少个体不公平带来的损失，并确保在满足给定群体公平性约束的同时，能够使尽可能多的个体获得最大的收益。

Jun, 2021

该研究提出了一种概念和计算框架，允许确定排名的公平性限制，并发展出高效的算法，以最大化用户效用且确保满足特定的公平概念。

Feb, 2018

在线跳蚤市场等双边市场中，为消费者提供个性化项目排名的推荐系统在促进提供者和消费者之间的交易中起着关键作用。然而，双边市场面临平衡消费者满意度和公平性以刺激项目提供者活动的问题。本文提出了一种快速的基于影响力公平排名问题的解决方案，通过将公平排名问题转化为无约束的优化问题，并设计了一种反复执行 Sinkhorn 算法的梯度上升方法。实验结果表明，我们的算法能够提供高质量的公平排名，并且比商业优化软件的应用快约 1000 倍。

Jun, 2024

本文介绍了一个新的元分类算法来解决涉及多个非不相交敏感属性的具有公正性限制的分类问题，该算法具有可证明的保证，该算法能够实现几乎完美的公平性，而且所带来的准确性损失通常很小。

Jun, 2018

本研究提出了一种有效的算法，在保持个体公平的情况下，从一组项目中随机抽样出排名，以确保输出排名满足群体公平性限制，同时保证输出排名的期望效用至少是最优公平解的效用的 α 倍，进而实现在线平台的算法公平。

Jun, 2023

本文介绍了一种方法，帮助用户选择公平的准则权重，在多维空间中为一系列公平准则展示出满足这些准则的区域，如果不满足相应准则，提供最小的修改建议。实验证明，该系统能够有效地满足公平性要求。

Dec, 2017

提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。

Feb, 2021

本文提出了一种优化随机排名中凸性目标函数的效率高、计算成本少、具有强理论保证，且适用于公平性暴露等所有凸顺滑目标函数的在线算法，可将复杂的曝光公平性标准纳入推荐中。

Sep, 2022