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
通过审查超过 150 篇学术出版物,本文综述了公平性的基本概念及其如何在目前的研究中操作化的概述,并发现在计算机科学的许多研究作品中,具体问题都存在抽象的操作化,缺少跨学科的讨论,这些观察要求开展更多的跨学科研究来更全面地解决公平性在推荐中的问题。
May, 2022
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
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。
本文为乘用侧公平在推荐系统中的研究提供了系统的概览和讨论,并提出了一种基于高级公平解释的新型分类方法,用于对研究及其提出的公平评价指标进行分类,最后提出了该领域未来的一些方向建议。
May, 2023
本文旨在介绍确保排名和推荐中的公平性所使用的定义、模型和方法的工具包,提供有关这一新颖、迅速发展和有影响力的领域的坚实框架,将相关方法并置并强调未来工作的开放挑战和研究路径。
Apr, 2021
本文对超过 60 篇发表于顶级会议 / 期刊的论文进行了综述,探讨了在推荐系统中公正性的挑战以及该主题的定义和分类,同时对公正性的度量、公正方法以及未来研究方向进行了评述。
Jun, 2022
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
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
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