Jan, 2022

公平排名：一篇批判性综述、挑战和未来方向

PDF
TL;DR对在线平台中对个人、提供方或内容进行公正排序的 “公正排名” 研究文献进行了批判性概述，提出了更全面和以影响为导向的公正排名研究议程的前景，包括其他领域的方法论教训以及更广泛利益相关者社区在克服数据瓶颈和设计有效监管环境方面的作用。
fair rankingrecommendation systemsretrieval systemsholisticimpact-oriented
发现论文，激发创造
  • 排名和推荐中的公平性：概述

    本文旨在介绍确保排名和推荐中的公平性所使用的定义、模型和方法的工具包，提供有关这一新颖、迅速发展和有影响力的领域的坚实框架，将相关方法并置并强调未来工作的开放挑战和研究路径。

    Apr, 2021

  • 排名中的公平性：综述

    本文对过去几年来有关将公平性要求纳入算法排名器的工作进行了系统概述，提供了跨学科的算法形式化和方法连接的广阔视角，并针对公平性增强干预分类架构描述了四个分类框架，并讨论了公平排序评估数据集和技术工作。我们还讨论了公平分数排序和公平学习排序的评估框架，并得出了有关公平排名方法评估的一系列建议。

    Mar, 2021

  • 公平排名中相关性的作用

    本文探讨了线上平台提供的机会接触机制，阐述了其中的公平性问题，分析了评估排序指标时需要考虑的多个要素，结合一个案例研究证明了当前基于用户点击反馈的排序指标无法满足所有要求，为实现公平排序指标提供了新的思路。

    May, 2023

  • 排名公平性

    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

  • 推荐系统中的公平性：研究现状和未来方向

    通过审查超过 150 篇学术出版物，本文综述了公平性的基本概念及其如何在目前的研究中操作化的概述，并发现在计算机科学的许多研究作品中，具体问题都存在抽象的操作化，缺少跨学科的讨论，这些观察要求开展更多的跨学科研究来更全面地解决公平性在推荐中的问题。

    May, 2022

  • TREC 2019 公平排名任务综述

    该研究介绍了 TREC Fair Ranking 跟踪项目，实现了服务于不同内容提供商公平性和相关度的基准评估，发布了一个数据集，目标是要公正地呈现来自多个未知组的相关作者的重要性，重点关注能够在各种组别定义下表现出强大性能的系统的开发。

    Mar, 2020

  • 面向搜索和推荐系统的公正排序技术及其在领英人才搜索中的应用

    该研究提出了一种评估和降低个人排名算法偏差的框架，旨在实现公平性标准，通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中，实现公平和商业指标的协调提高，有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。

    Apr, 2019

  • 控制动态学习排序中的公平和偏见

    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

  • 公平排名即公平分配：基于影响力的个体公平性排名

    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

  • 推荐系统公平性调查

    本文对超过 60 篇发表于顶级会议 / 期刊的论文进行了综述，探讨了在推荐系统中公正性的挑战以及该主题的定义和分类，同时对公正性的度量、公正方法以及未来研究方向进行了评述。

    Jun, 2022