本篇研究探讨不同的推荐算法是如何权衡排序质量和偏见差异,特别是针对机器学习以及推荐系统中的公平性问题所做的实验。
Aug, 2019
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
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
本文研究了推荐系统中的个性化、校准、偏差差异等主题,检验了不同算法和物品类别之间的显著差异。
Sep, 2019
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
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
本文系统概要总结研究论文中七种推荐偏差类型及其特点、定义,提供分类学和组织现有关于推荐去偏差的工作,并确定一些开放式挑战和未来方向。
Oct, 2020
推荐系统中普遍存在的流行度偏差问题,导致推荐结果集中在热门物品,本文回顾了流行度偏差的潜在原因和现有方法,并批判性地讨论了当前文献的局限性。
Aug, 2023
本文研究学术推荐系统中存在的偏见问题,对这些偏见进行分析并提出了缓解偏见及公正评估的方法和框架。同时,讨论相关研究的挑战和方向。
Jan, 2023
评估推荐系统的系统性误差、刻板印象和校准问题,并提出了一种统一框架来衡量系统引起的效应,研究发现简单算法生成的推荐结果更符合刻板印象但偏差较小,而较复杂算法产生的推荐则存在更大的偏差,进而影响到非典型用户和少数群体,通过过采样来减少刻板印象和提高推荐质量具有改善系统引起效应的潜力。
Dec, 2023