DeepFair: 推荐系统中提升公平性的深度学习

Jun, 2020

DeepFair: 推荐系统中提升公平性的深度学习

DeepFair: Deep Learning for Improving Fairness in Recommender Systems

Jesús Bobadilla, Raúl Lara-Cabrera, Ángel González-Prieto, Fernando Ortega

TL;DR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。

Abstract

The lack of bias management in recommender systems leads to minority groups receiving unfair recommendations. Moreover, the trade-off between equity and precision makes it difficult to obtain recommendations that

recommender systems bias management deep learning collaborative filtering fairness and accuracy

发现论文，激发创造

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

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

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

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

公平性测试深度推荐系统（FairRec）

本篇研究提出了 FairRec 框架，支持多角度的 DRS 公平测试，并使用 DPSO 算法成功检测出了多个 mainstream DRSs 存在的深度公平问题，并通过简单的二次排序缓解策略显著提升了 DRS 的公平性

Apr, 2023

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

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

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

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

公平感知的推荐系统综述

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