May, 2020

基于图的方法提高推荐系统中的聚合多样性 ——FairMatch

PDF
TL;DR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。
recommender systemsbiasfairmatchgraph-based algorithmrecommendation diversity
发现论文，激发创造
  • 推荐系统中基于图的方法缓解多方面的曝光偏差

    本文介绍了一种基于图形算法的后处理方法 FairMatch，可在推荐生成后改善物品和供应商的曝光公平性，实现多方利益相关方的公平效益最大化。在两个数据集上的一系列实验和与最新基线模型的比较表明，FairMatch 显著提高了曝光公平性和聚合多样性，同时保持了推荐的相关性水平。

    Jul, 2021

  • 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

  • DeepFair: 推荐系统中提升公平性的深度学习

    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

  • 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

  • 通过多样化偏好网络提高推荐匹配的准确性和多样性

    本论文提出了一种使用异构图神经网络的推荐系统匹配模块，以提高精度和多样性，通过使用基于邻域相似性的损失来平衡两者。

    Feb, 2021

  • 本地公平性约束下的论文匹配

    本文提出了基于局部公平性的论文匹配新方法，并引入了两个新的算法 FairIR 和 FairFlow，相对于已有算法，实验证明 FairIR 和 FairFlow 的效果更优，能够更公平地分配评审者。

    May, 2019

  • 通过数据增强改善推荐公平性

    本文研究了如何从数据增强的角度提高协同过滤推荐的公平性，通过增强数据集中的不平衡数据来改善其公平性，测试结果表明这种方法能有效提高推荐公平性。

    Feb, 2023

  • 图探索很重要：在微信信息流推荐中提高个体和系统多样性

    提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

    May, 2023

  • 协同推荐中的偏差差异：算法评估和比较

    本篇研究探讨不同的推荐算法是如何权衡排序质量和偏见差异，特别是针对机器学习以及推荐系统中的公平性问题所做的实验。

    Aug, 2019

  • 利用图卷积网络进行异质性感知公平推荐

    近年来，图神经网络（GNNs）已成为提高推荐系统准确性和性能的常用工具。本文提出了一种名为 HetroFair 的公平 GNN-based 推荐系统，通过两个独立的组件生成公平感知的嵌入，从而改善项目方面的公平性并在用户方面实现更高的准确性。

    Jan, 2024