推荐系统的多方公平性
本文对超过 60 篇发表于顶级会议 / 期刊的论文进行了综述,探讨了在推荐系统中公正性的挑战以及该主题的定义和分类,同时对公正性的度量、公正方法以及未来研究方向进行了评述。
Jun, 2022
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
通过审查超过 150 篇学术出版物,本文综述了公平性的基本概念及其如何在目前的研究中操作化的概述,并发现在计算机科学的许多研究作品中,具体问题都存在抽象的操作化,缺少跨学科的讨论,这些观察要求开展更多的跨学科研究来更全面地解决公平性在推荐中的问题。
May, 2022
在个性化推荐背景下的算法公平性面临着与分类任务中不同的挑战。本文提出了一种多人利益相关社会选择问题的形式化模型,将推荐公平性表述为一个分配和聚合问题的结合,并提出了一些新的推荐技术。
Mar, 2023
本文探讨了作为全球推荐系统一部分的非个性化(全局)新闻媒体平台中的两个特定的公平性问题,即用户公平和组织公平。作者测试了社会选择理论中不同的投票规则,并提出了一种偏见度量标准,以度量推荐文章集的总体意识形态偏见。作者发现,尽管投票规则在用户方面表现更好,但它们表现出很高的偏见值,显然不适合平台的组织要求。因此,需要建立一个综合机制以紧密地联系用户公平和组织公平的理念。
Nov, 2020
本文提出了一个端到端框架来实现市场机器学习系统的公平性,并扩展了先前的工作以开发一个优化框架,旨在解决市场的源端和目的端以及问题的动态方面的公平性约束,该框架足够灵活,以适应不同公平性定义,并可在非常大的规模环境中实现,并通过模拟展示了我们方法的有效性。
Jun, 2020