Jul, 2018
推荐系统中的用户公平性
User Fairness in Recommender Systems
Jurek Leonhardt, Avishek Anand, Megha Khosla
TL;DR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。
Abstract
Recent works in recommendation systems have focused on diversity in
recommendations as an important aspect of recommendation quality. In this work
we argue that the →
发现论文,激发创造
面向用户的推荐公平性
本文基于用户视角,探讨推荐系统中存在的不公平问题,提出使用重新排序的方法来减轻推荐系统在活跃用户和非活跃用户之间的质量偏差问题,从而提高系统的公平性和整体推荐性能。
Apr, 2021
推荐系统中的消费者公平性:方法和评估的系统调查
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
推荐系统中以用户为导向的公平性的普适性实验
研究在推荐系统中的公平性问题,提出一种基于用户为导向的公平性重排框架来缓解基于排名的不公平行为,发现不同用户组的定义在算法的有效性和特定排名模型的性能改进方面起到至关重要的作用。
May, 2022
一个关注公平性的混合推荐系统
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
推荐系统中的公平性:研究现状和未来方向
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
DeepFair: 推荐系统中提升公平性的深度学习
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