本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法，并通过实验证明其在这三个方面的有效性和权衡。

Oct, 2020

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

本文针对在线市场中排名的公平问题，提出了一种令所有商品都不会嫉妒和劣于其他商品的轮廓分配方式，并通过实证研究说明了这种分配方式控制了单个商品公平性与用户效用之间的权衡。

Jun, 2022

在线跳蚤市场等双边市场中，为消费者提供个性化项目排名的推荐系统在促进提供者和消费者之间的交易中起着关键作用。然而，双边市场面临平衡消费者满意度和公平性以刺激项目提供者活动的问题。本文提出了一种快速的基于影响力公平排名问题的解决方案，通过将公平排名问题转化为无约束的优化问题，并设计了一种反复执行 Sinkhorn 算法的梯度上升方法。实验结果表明，我们的算法能够提供高质量的公平排名，并且比商业优化软件的应用快约 1000 倍。

Jun, 2024

本文提出了一种新的学习排序算法 Pareto Pairwise Ranking，该算法不仅在技术准确度方面表现出色，而且在公平性方面是目前 9 种现行算法中最公平的算法。

Dec, 2022

我们介绍了一种使用 Expohedron 解决多目标优化问题的方法，该方法能够在用户效用的最大化和生产者之间的不公平性的最小化之间提供 Pareto 最优平衡，并通过识别有限数量的 Pareto 最优解来捕获组公平性和用户效用之间的权衡。我们还提出了在 Expohedron 的外接 $n$-sphere 上放松优化问题的高效方法，从而显著提高了运行时间。

Feb, 2024

该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。

May, 2020

本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

Apr, 2017

该研究使用广义基尼福利函数来指定推荐系统应优化的规范准则，并利用非光滑优化和投影算子工具解决优化挑战，实验表明该方法在多项推荐任务和公平性标准中均获得更好的权衡。

Apr, 2022

研究发现，将现有的推荐系统直接应用于匹配市场是次优的。因此，提出了一种新的推荐框架来建模这种交互机制，并提出了高效的算法来计算个性化排名，并首次提出了联合优化所有市场候选人排名的方法来明确最大化社会福利。

Jun, 2021