知识图谱上公平可解释的推荐

Jun, 2020

Fairness-Aware Explainable Recommendation over Knowledge Graphs

Zuohui Fu, Yikun Xian, Ruoyuan Gao, Jieyu Zhao, Qiaoying Huang...

TL;DR本文分析了不同活跃度用户的推荐性能，发现不同群体之间存在偏差，特别是不活跃用户会更容易受到不公平的对待。为了减少不公平现象，提出了通过启发式重新排序的公平性约束方法，实验结果表明该方法能提供高质量的可解释推荐，并降低了几个方面的推荐不公平性。

Abstract

There has been growing attention on fairness considerations recently, especially in the context of intelligent decision making systems. Explainable recommendation systems, in particular, may suffer from both explanation bias and →

fairness explainable recommendation systems performance disparity inactive users collaborative filtering

发现论文，激发创造

面向用户的推荐公平性

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

知识图谱可解释的基于实体的推荐

本文介绍了一种通过利用知识图谱的外部知识来生成解释的方法，通过 Personalized PageRank 算法对商品和知识图谱实体进行联合排序，生成具有解释的推荐。

Jul, 2017

基于知识图谱的推荐系统综述

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

推荐中的公平和透明：用户的视角

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

推荐系统中可解释的公平性

该研究基于可解释的 AI 技术，提出了一个计数事实可解释公平框架（CEF）来解决推荐系统中存在的公平性缺陷问题。该模型能够生成关于模型公平性的解释，以提供有关即使做出相关更改也不会显著损害其性能的公平性分数排名的信息。

Apr, 2022

基于知识图谱的上下文感知可解释推荐

探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。

Oct, 2023

基于知识的自然语言推荐解释

通过使用知识图谱方法和协同过滤技术，我们的研究提出了一种可以生成客观描述的推荐解释的方法，该方法结合了用户购买历史和物品特征，为用户提供与其偏好相匹配的个性化解释，实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。

Aug, 2023

推荐中的个性化对抗公平性

本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

May, 2021

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