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
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
本文分析了不同活跃度用户的推荐性能,发现不同群体之间存在偏差,特别是不活跃用户会更容易受到不公平的对待。为了减少不公平现象,提出了通过启发式重新排序的公平性约束方法,实验结果表明该方法能提供高质量的可解释推荐,并降低了几个方面的推荐不公平性。
Jun, 2020
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
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
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
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。
该研究探讨了 Point-of-Interest 推荐系统中用户和商品的公平性问题,以及推荐结果的个性化和准确性的关系,结果表明不同种类的商品存在明显的公平性偏见,而多数推荐模型在满足用户和商品公平性方面存在权衡。
Feb, 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