针对将物品分配至平台的匹配过程中的团体和个体公平约束，我们提出了一种概率个体公平的算法，通过计算一组公平匹配的分布，使每个物品有合理的匹配概率。该方法在确保团体公平的同时，可以提高个体公平度。

Aug, 2022

在高峰时间内，利用在线二分匹配技术设计针对摩的平台的可调参数算法实现公平和收益的平衡

Dec, 2019

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

通过将公平个性化推荐问题映射到分配不可分割商品问题的约束版本中，我们提出了一种名为 FairRec 的算法，可以保证最大的最小份额（α-MMS）的影响力，同时为客户提供 Envy-Free up to One Item（EF1）的公平性保证，并在多个真实数据集上进行了广泛评估。通过采用 FairRecPlus 算法，我们在保持相同公平性保证的同时，通过额外的计算时间提高了客户的推荐效果。

Dec, 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

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

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

在线学习与个体公平性问题的方法，考虑了能够聚合任意数量审核员反馈的审核方案，并提出了两个算法分别用于降低后悔度和公平违规数量，在计算效率方面也做出了显著改进。

Mar, 2024

该研究提出了一种简单的激励机制公平方案，以改善运用现有 ILP 方案时可能导致的司机和乘客不公平问题，并证明了该方案显著优于其他成功案例，无需重新培训即可实现对最差的个体的度量改善。

Mar, 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