SIGIRApr, 2021

TFROM：一种面向客户和提供者的双边公平感知推荐模型

PDF
TL;DR本文从客户和提供者两方面考虑推荐系统的公平性，设计了一个两面公平感知的推荐模型（TFROM），解决了引入公正性措施导致推荐结果降低的问题，并在三个真实数据集上验证了该模型的有效性和优越性。
fairnessrecommender systemscustomersproviderstfrom
发现论文，激发创造
  • FairRec: 双边平台中个性化推荐的双向公平性

    研究使用新型映射的公平推荐问题，以保证两边公平，其中包括考虑到客户和生产商的公平问题，并提出了一种保证大多数生产商最小共享的曝光和每个客户无嫉妒（Envy-Free up to One item，EF1）公平的新算法 FairRec。在多个现实世界数据集上进行的广泛评估表明，FairRec 可以确保双方面的公正，同时对总体推荐质量造成微不足道的损失。

    Feb, 2020

  • 双边平台公平推荐的研究

    通过将公平个性化推荐问题映射到分配不可分割商品问题的约束版本中，我们提出了一种名为 FairRec 的算法，可以保证最大的最小份额（α-MMS）的影响力，同时为客户提供 Envy-Free up to One Item（EF1）的公平性保证，并在多个真实数据集上进行了广泛评估。通过采用 FairRecPlus 算法，我们在保持相同公平性保证的同时，通过额外的计算时间提高了客户的推荐效果。

    Dec, 2021

  • 双边市场公平性框架

    本文提出了一个端到端框架来实现市场机器学习系统的公平性，并扩展了先前的工作以开发一个优化框架，旨在解决市场的源端和目的端以及问题的动态方面的公平性约束，该框架足够灵活，以适应不同公平性定义，并可在非常大的规模环境中实现，并通过模拟展示了我们方法的有效性。

    Jun, 2020

  • 推荐系统的多方公平性

    本文探讨了机器学习中公平性的问题，并将公平性概念扩展到了推荐系统中。在某些推荐场景中，公平性是一个多面向的概念，需要考虑多个个体的公平性。在此基础上，我们提出了一种分类方法来设计公平感知的推荐系统并给出了可能的架构。

    Jul, 2017

  • 推荐系统中的交叉双边公平性

    基于用户公平性、条目公平性及双边公平性的分析，本研究发现即使系统被认为是双边公平的，交叉的双边不公平仍可能存在，我们提出了一种名为交叉双边公平推荐 (ITFR) 的新方法，该方法利用一种敏锐感知劣势群体的丧失函数，通过协调损失平衡为不同的交叉群体提供一致的区分能力，并使用预测评分归一化来公平对待不同交叉群体中的正样本，实验结果表明我们的方法有效减轻了交叉双边不公平并持续优于以往的最优方法。

    Feb, 2024

  • 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

  • 推荐系统中的消费者公平性：方法和评估的系统调查

    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

  • 非个性化推荐中的双边公平性

    本文探讨了作为全球推荐系统一部分的非个性化（全局）新闻媒体平台中的两个特定的公平性问题，即用户公平和组织公平。作者测试了社会选择理论中不同的投票规则，并提出了一种偏见度量标准，以度量推荐文章集的总体意识形态偏见。作者发现，尽管投票规则在用户方面表现更好，但它们表现出很高的偏见值，显然不适合平台的组织要求。因此，需要建立一个综合机制以紧密地联系用户公平和组织公平的理念。

    Nov, 2020

  • 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

  • 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