Jun, 2020

推荐系统中上采样与正则化在提供者公平性方面的相互作用

PDF
TL;DR本文主要研究多边推荐系统中的提供方，其中少数特定群体存在不公平的现象，通过模拟不同提供方群体的交互，提出了一种处理方法，结果显示推荐列表的可见性和覆盖率更公平，推荐效用下降微不足道。
multi-sided recommender systemsitem providersindirect discriminationuser-item relevance scoresfairness
发现论文，激发创造
  • 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

  • 在推荐系统中插值项目和用户公正性

    研究了在线平台中多种利益相关者之间的公平和协调问题，提出一种公平推荐算法来平衡商品销售和用户需求之间的矛盾，并设计了一种低遗憾的在线优化算法，以同时达到商品和用户的公平，最终通过电影数据的案例研究证明了该算法的有效性。

    Jun, 2023

  • 个性化公平感知排序

    本篇研究提出了一种考虑到用户、排名质量和供应商公平性的新型推荐算法 FRA，在实验中，该算法在牺牲一定精度的情况下，有效提升了推荐系统的公平性，并考虑到了个体用户的偏好。

    Sep, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 推荐系统中基于策略代理的公平暴露优化进行成效去偏差

    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

  • CPFair：用于推荐系统的个性化消费者和生产者公平重排

    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