本文研究了一种新颖的评审 - 文章匹配方法，该方法已被引入多个计算机科学领域的顶级会议，包括 AAAI，ICML，IJCAI 等，并通过对现实数据的广泛后期分析进行了评估，比较了其与 AAAI 2020 版本使用的匹配算法的不同之处。

Feb, 2022

本文提出了一个框架来优化论文 - 审稿人分配，使用适宜性评分来测量论文和审稿人之间的成对亲和力，可以从提供的少量评分中推断出适宜性评分，将任务定义为整数规划问题，并提出了几种适用于论文和审稿人匹配问题的方案，探讨了学习和匹配相互作用的因素，对两个会议数据集进行了实验，测试了几种学习方法的性能以及匹配方法的有效性。

Feb, 2012

该研究考虑了会议同行评审中的论文自动分配问题，着重关注公平性和统计准确性。研究设计了一种基于最大流程序的分配算法，旨在最大化最不利论文的审查质量，并提出了一种新的主观评分模型，设计了一种新颖的实验方法来评估算法的质量。

Jun, 2018

介绍一种针对推荐系统中存在的偏见的一般性的基于图的算法 FairMatch，可在推荐生成后作为后处理方法来提高推荐的多样性和公平性，通过在推荐二分图上解决最大流问题来找到很少推荐但却是高质量的项目并将其添加到用户的最终推荐列表中。

May, 2020

针对将物品分配至平台的匹配过程中的团体和个体公平约束，我们提出了一种概率个体公平的算法，通过计算一组公平匹配的分布，使每个物品有合理的匹配概率。该方法在确保团体公平的同时，可以提高个体公平度。

Aug, 2022

该研究提出了一种在线双向配对平台的算法，可同时为双方市场提供公平的处理保证，考虑了原则主义公平的组和个人标准，并在操作者利润计算的最坏情况下降低其利润，具有理论保证和可调参数来平衡三方的效用，并发现可以给出任何算法性能的明确上界。

Jan, 2022

通过大规模实验证明了实体匹配算法的公平性存在潜在的不足，特别在现实社会中出现一些特定条件下的人口群体过多代表性和名字相似度不同的群体之间。

Jul, 2023

本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

Apr, 2017

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

本文从序列决策的角度出发，通过优化专家分配提高决策的准确性和公正性，并展示了该方法在合成数据和真实世界数据中的有效性。

May, 2018