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
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
对在线平台中对个人、提供方或内容进行公正排序的 “公正排名” 研究文献进行了批判性概述,提出了更全面和以影响为导向的公正排名研究议程的前景,包括其他领域的方法论教训以及更广泛利益相关者社区在克服数据瓶颈和设计有效监管环境方面的作用。
Jan, 2022
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
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
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。
该研究提出了一种概念和计算框架,允许确定排名的公平性限制,并发展出高效的算法,以最大化用户效用且确保满足特定的公平概念。
Feb, 2018
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
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
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