本文探讨内容提供商的用户参与度对推荐系统的影响，并以平衡选择为基础提出了一个优化措施，确保系统以最大社会福利达到平衡，并呼吁在实现效用主义公正的同时考虑用户的后悔和公平情况。

Jul, 2020

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

本文提出了一种优化随机排名中凸性目标函数的效率高、计算成本少、具有强理论保证，且适用于公平性暴露等所有凸顺滑目标函数的在线算法，可将复杂的曝光公平性标准纳入推荐中。

Sep, 2022

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

本研究提出了一种基于多目标的重新排序方法，使用基于 Kendall tau 相关度量和其核版本的正则化函数来解决涉及多种利益相关方的推荐问题，对包括消费者、供应商和中介在内的三个利益相关方进行多目标优化，通过真实数据集验证了此方法的有效性。

Aug, 2017

本文介绍了一种基于福利经济学理论的公平推荐算法，该算法旨在通过最大化凹的福利函数来生成 Pareto 有效且满足 Lorenz 效率的公平排序，以实现效用再分配，通过实验证明了该算法可以提升较弱群体的收益，同时在总体效益有所减少的情况下成本更低。

Oct, 2021

开发了一个课程推荐系统，该系统能够结合就业市场的技能需求，并且突出显示了解释性、无监督技能提取和强化学习等特点。

Apr, 2024

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

应用学习检索技术改进 LinkedIn 的职位搜索和推荐系统，通过构建评估求职者资格的图和利用学习到的链接进行检索，提高应聘人员质量并优化求职者参与度。

Feb, 2024

本研究提出了一套度量算法公平性关注的新型指标，基于随机实验的成对比较来衡量公平性，建立了新的规则化器，促进了模型训练和推荐系统的公平性。

Mar, 2019