在本篇研究中，我们通过构建一个包含公平性和非公平性评论的统计样本数据集，开发和评估了一组机器学习和深度学习分类器，用于区分公平性评论和非公平性评论。我们的实验结果表明，我们最佳的分类器能以 94% 的准确率检测出公平性评论。然后，我们将最佳分类器应用于收集自 108 个 AI 应用的大约 950 万条评论，并识别出约 92,000 个公平性评论。公平性评论分布在 23 个应用类别中，其中 ' 通讯 ' 和' 社交 ' 应用类别的公平性评论所占比例最高。通过对这 92,000 个公平性评论应用 K-means 聚类技术和手动分析，我们识别出了六种不同类型的公平性问题。最后，对于这些公平性评论，我们手动分析了 2,248 个应用开发者的回复，找出了六个根本原因以及应用开发者为公平性问题提出的几种合理解释。

Jan, 2024

该研究提出一个新的基于机器学习的声誉系统，通过消费者个人资料的预测信誉度来计算产品声誉分数，该模型已在三个基准数据集上进行了评估，并与先前发布的评级聚合模型进行了比较。研究结果表明该方法可能是解决声誉系统问题的潜在解决方案，同时可与在线推荐系统集成以提供更好的购买建议。

Sep, 2022

本文提出了一种基于优化的重新排序方法，该方法在联合目标框架中无缝集成了来自消费者和生产者方面的公平性约束，并经过 8 个数据集的大规模实验证明，我们的方法能够提高消费者和生产者的公平性，同时不会降低总体的推荐质量。

Apr, 2022

在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

Jun, 2024

本文提出了一个端到端框架来实现市场机器学习系统的公平性，并扩展了先前的工作以开发一个优化框架，旨在解决市场的源端和目的端以及问题的动态方面的公平性约束，该框架足够灵活，以适应不同公平性定义，并可在非常大的规模环境中实现，并通过模拟展示了我们方法的有效性。

Jun, 2020

检测和实现在线市场中卖方公平性，通过引入卖方结果公平性概念和构建以平衡推荐奖励和公平度度量为目标的优化模型，然后提出基于数据驱动的梯度下降算法，通过对真实电子商务数据集进行数值实验，发现该算法能提升卖方公平性而不损害总采购额和总购买次数等指标。

Dec, 2023

该研究提出了一种评估和降低个人排名算法偏差的框架，旨在实现公平性标准，通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中，实现公平和商业指标的协调提高，有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。

Apr, 2019

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

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

本文探讨了线上平台提供的机会接触机制，阐述了其中的公平性问题，分析了评估排序指标时需要考虑的多个要素，结合一个案例研究证明了当前基于用户点击反馈的排序指标无法满足所有要求，为实现公平排序指标提供了新的思路。

May, 2023