研究使用新型映射的公平推荐问题，以保证两边公平，其中包括考虑到客户和生产商的公平问题，并提出了一种保证大多数生产商最小共享的曝光和每个客户无嫉妒（Envy-Free up to One item，EF1）公平的新算法 FairRec。在多个现实世界数据集上进行的广泛评估表明，FairRec 可以确保双方面的公正，同时对总体推荐质量造成微不足道的损失。

Feb, 2020

本文提出了一个端到端框架来实现市场机器学习系统的公平性，并扩展了先前的工作以开发一个优化框架，旨在解决市场的源端和目的端以及问题的动态方面的公平性约束，该框架足够灵活，以适应不同公平性定义，并可在非常大的规模环境中实现，并通过模拟展示了我们方法的有效性。

Jun, 2020

研究了在线平台中多种利益相关者之间的公平和协调问题，提出一种公平推荐算法来平衡商品销售和用户需求之间的矛盾，并设计了一种低遗憾的在线优化算法，以同时达到商品和用户的公平，最终通过电影数据的案例研究证明了该算法的有效性。

Jun, 2023

近年来，人们越来越认识到，当机器学习算法用于自动化决策时，它们可能会对个人或群体造成不公平待遇，涉及法律、道德或经济方面的问题。本文提出了一个名为 CP-FairRank 的基于优化的重新排序算法，它在综合目标框架中无缝地集成了消费者和生产者双方的公平性约束，具有普适性，并且能够根据群体细分、推荐模型选择和领域的不同情况考虑不同的公平设置，改善消费者和生产者的公平性而不会明显影响整体推荐质量，从而展示算法在避免数据偏见方面的作用。

Feb, 2024

本文提出了一种基于优化的重新排序方法，该方法在联合目标框架中无缝集成了来自消费者和生产者方面的公平性约束，并经过 8 个数据集的大规模实验证明，我们的方法能够提高消费者和生产者的公平性，同时不会降低总体的推荐质量。

Apr, 2022

本文从客户和提供者两方面考虑推荐系统的公平性，设计了一个两面公平感知的推荐模型（TFROM），解决了引入公正性措施导致推荐结果降低的问题，并在三个真实数据集上验证了该模型的有效性和优越性。

Apr, 2021

本文探讨了作为全球推荐系统一部分的非个性化（全局）新闻媒体平台中的两个特定的公平性问题，即用户公平和组织公平。作者测试了社会选择理论中不同的投票规则，并提出了一种偏见度量标准，以度量推荐文章集的总体意识形态偏见。作者发现，尽管投票规则在用户方面表现更好，但它们表现出很高的偏见值，显然不适合平台的组织要求。因此，需要建立一个综合机制以紧密地联系用户公平和组织公平的理念。

Nov, 2020

本文探讨了机器学习中公平性的问题，并将公平性概念扩展到了推荐系统中。在某些推荐场景中，公平性是一个多面向的概念，需要考虑多个个体的公平性。在此基础上，我们提出了一种分类方法来设计公平感知的推荐系统并给出了可能的架构。

Jul, 2017

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

检测和实现在线市场中卖方公平性，通过引入卖方结果公平性概念和构建以平衡推荐奖励和公平度度量为目标的优化模型，然后提出基于数据驱动的梯度下降算法，通过对真实电子商务数据集进行数值实验，发现该算法能提升卖方公平性而不损害总采购额和总购买次数等指标。

Dec, 2023