通过广义交叉熵评估推荐系统公平性

Aug, 2019

通过广义交叉熵评估推荐系统公平性

Recommender Systems Fairness Evaluation via Generalized Cross Entropy

Yashar Deldjoo, Vito Walter Anelli, Hamed Zamani, Alejandro Bellogin, Tommaso Di Noia

TL;DR本文讨论推荐系统中的公平性，提出了一种基于概率的框架来评估推荐系统的公平性，该框架基于推荐算法偏向或低估哪些项目或用户方面的领域知识，并考虑到推荐资源如何基于优点和需求分配，研究结果表明所提出的评估框架在用户和项目公平性方面具有优点。

Abstract

fairness in recommender systems has been considered with respect to sensitive attributes of users (e.g., gender, race) or items (e.g., revenue in a multistakeholder setting). Regardless, the concept has been comm

fairness recommender systems probability framework merits needs

发现论文，激发创造

面向多方曝光的推荐公平性

研究推荐系统中的曝光公平性，提出了一种从消费者和生产者双方角度建模的公平度量，以缓解除了个体用户和物品的不公平之外的更系统性的偏见，进一步研究了曝光公平性维度之间的关系并演示了如何将随机排序策略优化为这些公平目标。

Apr, 2022

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

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

推荐系统中的用户公平性

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

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

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

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

消费者和生产者群体公平优化的个性化框架：在推荐系统中

近年来，人们越来越认识到，当机器学习算法用于自动化决策时，它们可能会对个人或群体造成不公平待遇，涉及法律、道德或经济方面的问题。本文提出了一个名为 CP-FairRank 的基于优化的重新排序算法，它在综合目标框架中无缝地集成了消费者和生产者双方的公平性约束，具有普适性，并且能够根据群体细分、推荐模型选择和领域的不同情况考虑不同的公平设置，改善消费者和生产者的公平性而不会明显影响整体推荐质量，从而展示算法在避免数据偏见方面的作用。

Feb, 2024

推荐系统公平性调查

本文对超过 60 篇发表于顶级会议 / 期刊的论文进行了综述，探讨了在推荐系统中公正性的挑战以及该主题的定义和分类，同时对公正性的度量、公正方法以及未来研究方向进行了评述。

Jun, 2022

推荐系统中的长期公平性

本文提出了一种用于动态公平学习的约束强化学习算法，通过将推荐问题建模为约束马尔可夫决策过程，以解决推荐系统中长期公平性的问题。实验结果表明，该算法在推荐性能、短期公平性和长期公平性方面均具有优越性。

Jan, 2021