KDDApr, 2019

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

PDF
TL;DR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。
发现论文，激发创造
  • 排名和推荐中的公平性：概述

    本文旨在介绍确保排名和推荐中的公平性所使用的定义、模型和方法的工具包，提供有关这一新颖、迅速发展和有影响力的领域的坚实框架，将相关方法并置并强调未来工作的开放挑战和研究路径。

    Apr, 2021

  • 公平感知在线个性化

    本文针对在线个性化设置中排名的公平性问题，从公平的机器学习模型开始，探讨了在线个性化如何导致模型不公平，并提出了一种基于正则化的方法来缓解机器学习中的偏差。

    Jul, 2020

  • 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

  • 排名中的公平性：综述

    本文对过去几年来有关将公平性要求纳入算法排名器的工作进行了系统概述，提供了跨学科的算法形式化和方法连接的广阔视角，并针对公平性增强干预分类架构描述了四个分类框架，并讨论了公平排序评估数据集和技术工作。我们还讨论了公平分数排序和公平学习排序的评估框架，并得出了有关公平排名方法评估的一系列建议。

    Mar, 2021

  • 通过两两比较实现推荐排序中的公平性

    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

  • 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

  • 排名公平性：无需保护属性的随机化鲁棒性

    我们提出了一种用于后处理排名的随机方法，不需要受保护属性的可用性，通过广泛的数值研究，我们展示了我们的方法在 P-Fairness 和与基线排名的标准化折现累积增益 (NDCG) 方面的稳健性和有效性，并改进了之前提出的方法。

    Mar, 2024

  • 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

  • 公平感知的推荐系统综述

    调查了公平推荐系统的现有方法和实践，包括概念，分类，评估和影响，旨在提高推荐系统的可信度、减少偏见和提高公平性，继而促进公平感知型推荐系统的发展。

    Jun, 2023

  • 公平排名：一篇批判性综述、挑战和未来方向

    对在线平台中对个人、提供方或内容进行公正排序的 “公正排名” 研究文献进行了批判性概述，提出了更全面和以影响为导向的公正排名研究议程的前景，包括其他领域的方法论教训以及更广泛利益相关者社区在克服数据瓶颈和设计有效监管环境方面的作用。

    Jan, 2022