本研究在合成数据上进行了初步的实验研究,在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡,并对实际数据的数据失衡进行了一些观察。
Nov, 2018
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
本文介绍了一种度量推荐算法响应用户真实偏好的度量标准,称为 “miscalibration”。研究人员考虑了各种算法可能导致不同程度的 miscalibration,从而探讨了当算法流行度偏差导致 miscalibration 时的关键因素,其中研究者使用两种真实世界数据集展示了不同算法对用户群体的影响和流行偏差对 miscalibration 的影响。
Oct, 2019
本研究考虑不同推荐算法对不同用户偏好的响应度进行测量,并揭示了算法中流行度偏差可能是导致推荐偏差的重要因素。两个真实数据集的实验结果表明,用户群体受到算法中流行度偏差程度与他们对流行物品的兴趣程度之间存在关联,并且受到算法中流行度偏差影响越大,他们的推荐结果就越有偏差。
Aug, 2020
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
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
这篇论文系统地概述了推荐系统公平性的研究现状和挑战,介绍了现有的公平性定义分类、公平性提高技术和用于公平研究的数据集。
May, 2022