关注公平：在排名中摊销个体公平

SIGIRMay, 2018

关注公平：在排名中摊销个体公平

Equity of Attention: Amortizing Individual Fairness in Rankings

Asia J. Biega, Krishna P. Gummadi, Gerhard Weikum

TL;DR该论文提出了一种新的测量和减轻排名偏差的方法，通过减少个体受到的不公平待遇，从而实现排名的公平性，同时维持排名质量。该方法弥补了现有方法在个体和群体公平性检测上的不足。

Abstract

rankings of people and items are at the heart of selection-making, match-making, and recommender systems, ranging from employment sites to sharing economy platforms. As ranking positions influence the amount of attention the ranked subjects receive, biases in →

rankings position bias fairness individual attention amortized fairness

发现论文，激发创造

用户注意力对排名列表中公平群组表现的影响量化

本文提出了一种用于审计排名列表中群体公平性的新度量，通过我们的度量方法，能够更好地解决人为因素对公平性评估的影响，同时考虑了用户的注意力模式以及对保护属性的支持，我们还利用度量方法对三个模拟案例进行了公平性审计。

Jan, 2019

通过个性化重新排序实现机会主义多方面公平

研究人员提出了一种重新排名的方法，通过学习多个公平维度的个人偏好，增强了建议结果的公平性。这种方法可以更好地平衡准确性和公平性。

May, 2020

排名公平性

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

公平排名即公平分配：基于影响力的个体公平性排名

本文针对在线市场中排名的公平问题，提出了一种令所有商品都不会嫉妒和劣于其他商品的轮廓分配方式，并通过实证研究说明了这种分配方式控制了单个商品公平性与用户效用之间的权衡。

Jun, 2022

排名输出中的公平性测量

本文针对排名系统的公平性问题提出了公平性度量方法，并在实验中检验了该方法的可行性与有效性，并提出了一个精度和公平性并存的最优化框架。

Oct, 2016

控制动态学习排序中的公平和偏见

该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。

May, 2020

面向搜索和推荐系统的公正排序技术及其在领英人才搜索中的应用

该研究提出了一种评估和降低个人排名算法偏差的框架，旨在实现公平性标准，通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中，实现公平和商业指标的协调提高，有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。

Apr, 2019

动态学习排序的最大边际公平性

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

采样始终群体公平的个体公平排序

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

公平且无偏的排名函数的策略梯度训练

本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。

Nov, 2019