该研究提出了一种概念和计算框架，允许确定排名的公平性限制，并发展出高效的算法，以最大化用户效用且确保满足特定的公平概念。

Feb, 2018

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

本文讨论了在存在相互依赖的情况下，如何处理公正曝光问题，并提出了一种名为 FELIX 的方法来避免在不影响用户效用或商品公平性的情况下向用户展示具有未知曝光分布的排名，并扩展了公正曝光的研究到 top-k 设置中。实验表明，与现有的公正评级方法相比，FELIX 能够显著减少具有未知曝光分布的排名的数量，而不影响用户效用或公平性。

May, 2022

本研究提出了一种有效的算法，在保持个体公平的情况下，从一组项目中随机抽样出排名，以确保输出排名满足群体公平性限制，同时保证输出排名的期望效用至少是最优公平解的效用的 α 倍，进而实现在线平台的算法公平。

Jun, 2023

该论文提出了一种新的测量和减轻排名偏差的方法，通过减少个体受到的不公平待遇，从而实现排名的公平性，同时维持排名质量。该方法弥补了现有方法在个体和群体公平性检测上的不足。

May, 2018

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

本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。

Nov, 2019

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

提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。

Feb, 2021

使用 Equal-Opportunity Ranking 算法进行排名，解决不同群体之间存在的不确定性差异所导致的不公平问题。

Sep, 2023