本文研究公平感知推荐系统的用户透明性和可信度，提出 3 个特征以改善公平感知推荐系统的用户理解和信任。
Mar, 2021
提出了一种基于深度学习协同过滤算法的推荐系统，实现了公平和准确度之间的最佳平衡，无需知道用户的人口统计信息。实验结果表明，可以在不失去大部分准确度的情况下进行公平的推荐。
Jun, 2020
本文研究了如何从数据增强的角度提高协同过滤推荐的公平性，通过增强数据集中的不平衡数据来改善其公平性，测试结果表明这种方法能有效提高推荐公平性。
Feb, 2023
本研究提出使用基于概率编程语言的混合公平意识推荐系统，以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐，同时解决了推荐偏见问题。与最先进的公平推荐系统相比，实验结果表明，我们的模型可以提供更准确、更公平的推荐。
Sep, 2018
研究人员扩展了实现预测并加入分布式鲁棒性目标，以解决正式的公平标准存在的四个严重缺陷。
Jul, 2022
本文提出了一种基于优化的重新排序方法，该方法在联合目标框架中无缝集成了来自消费者和生产者方面的公平性约束，并经过 8 个数据集的大规模实验证明，我们的方法能够提高消费者和生产者的公平性，同时不会降低总体的推荐质量。
Apr, 2022
本研究提出了一套度量算法公平性关注的新型指标，基于随机实验的成对比较来衡量公平性，建立了新的规则化器，促进了模型训练和推荐系统的公平性。
Mar, 2019
探讨了多目标优化的用户偏好以及与公平性在机器学习和多目标优化中的关系，介绍了公平性感知多目标优化的代表案例，并进一步阐述了公平在传统多目标优化、数据驱动优化和联邦优化中的重要性和挑战。
本文为乘用侧公平在推荐系统中的研究提供了系统的概览和讨论，并提出了一种基于高级公平解释的新型分类方法，用于对研究及其提出的公平评价指标进行分类，最后提出了该领域未来的一些方向建议。
May, 2023
本文提出并探讨了用户公平性的概念，研究了两个多样化算法，发现仅追求多样性的推荐会导致用户间的不公平现象。
Jul, 2018