本文探讨了交互式推荐系统中偏好模型如何影响内容可用性和用户的发现机会，并以基于随机可达性的评估过程为基础提出了一种量化推荐目标内容到达用户的概率上限的方法。该指标能够有效检测内容可用性的偏见，诊断用户发现机会的限制，展示出选择规则和用户干预对推荐过程的影响以及这些影响的分布是否均匀。

Jun, 2021

该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

Mar, 2017

本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

May, 2022

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

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

本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

Feb, 2020

本文综述了基于用户或物品侧面信息的推荐系统研究，并从方法论和侧面信息表示两个角度，概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示，并探讨了应用推荐系统面临的挑战和未来发展方向。

Sep, 2019

通过一个数学模型研究了基于流行度和社交关系的推荐系统。结果表明，在一些普遍的条件下，市场总会收敛到一个稳定状态。通过实验进一步证明，实际社交网络中的社交图表现出一定的防止市场失真的作用，即使存在高度具有影响力的用户。

Jul, 2016

本文研究公平感知推荐系统的用户透明性和可信度，提出 3 个特征以改善公平感知推荐系统的用户理解和信任。

Mar, 2021