本文针对基于多臂赌博机算法的在线推荐模型中的信息暴露偏差问题进行研究，分析了这些算法处理信息暴露偏差问题和提供公正的推荐结果的能力，并提出了一个折扣因子并将其纳入这些算法中，以控制每个时间步骤中商品的曝光率。在两个数据集上进行实验，并展示了该算法改善商品推荐可公正性的有效性。

Aug, 2021

本文介绍了一个模型，通过多轮交互模拟用户和链接推荐器之间的反馈循环，研究了推荐算法的长期后果。实验结果表明，少数群体如果足够同质化，则可以从所有链接推荐器中获得不成比例的优势，同时推荐器会加剧富人越富的现象，这种现象独立于少数群体的同质化程度和大小，同时会加剧个体间的曝光不平等现象。

Dec, 2021

本文提出一种新的概率方法，将用户对物品的暴露度纳入协同过滤，将其建模为潜在变量，并从数据中推断其值，用于探索不同的领域和暴露度协变量下的问题，并在四个不同的领域中超过了现有基准的性能。

Oct, 2015

研究推荐系统中的曝光公平性，提出了一种从消费者和生产者双方角度建模的公平度量，以缓解除了个体用户和物品的不公平之外的更系统性的偏见，进一步研究了曝光公平性维度之间的关系并演示了如何将随机排序策略优化为这些公平目标。

Apr, 2022

本研究旨在探讨如何有效地利用社交信息来改进推荐，提出了一种将社交曝光融入协同过滤的新颖方法，通过社交规范化和社交激励两种不同的方式构建社交曝光，实验证明此方法优于当前的最新方法，并进行了两种方法的可靠性和可扩展性比较。

Nov, 2017

本文通过使用多个推荐算法和音乐、电影两个领域的公开数据集，实证了推荐算法的内在流行度偏差以及这种偏差对用户和项目供应商等不同利益相关者的影响，并提出了从不同利益相关者的角度衡量推荐算法暴露偏差的度量方法。

Jun, 2020

扩散模型具有令人印象深刻的生成能力，但其所谓的 “曝光偏差” 问题，即训练和抽样之间的输入不匹配，缺乏深入探索。本文通过首先对抽样分布进行分析建模，然后将每个抽样步骤的预测误差归因为曝光偏差问题的根本原因，对扩散模型中的曝光偏差问题进行了系统研究。此外，我们讨论了此问题的潜在解决方案，并提出了一个直观的度量方法。除了阐明曝光偏差问题，我们还提出了一种简单但有效的无需训练的方法，称为 Epsilon Scaling，以缓解曝光偏差。我们通过缩小网络输出（Epsilon）使抽样轨迹明确地接近训练阶段学习到的向量场，减轻了训练和抽样之间的输入不匹配。针对各种扩散框架（ADM，DDPM/DDIM，LDM），无条件和有条件设置以及确定性与随机抽样的实验验证了我们方法的有效性。

Aug, 2023

本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法，该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模，并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。

Nov, 2020

该研究提供了一种使用因果推论来处理选择偏差的方法，可实现对推荐系统的评估和训练，并获得实际数据上显着改善的预测效果。

Feb, 2016

本文介绍了一种基于图形算法的后处理方法 FairMatch，可在推荐生成后改善物品和供应商的曝光公平性，实现多方利益相关方的公平效益最大化。在两个数据集上的一系列实验和与最新基线模型的比较表明，FairMatch 显著提高了曝光公平性和聚合多样性，同时保持了推荐的相关性水平。

Jul, 2021