SIGIRApr, 2022

ProFairRec: 新闻推荐中考虑供应商公正性的模型

PDF
TL;DR本文提出了一个公平考虑的新闻推荐框架 ProFairRec，通过学习提供者公平的新闻表征和用户表征，实现了在偏见用户数据中实现不同新闻提供者的公平性。通过对新闻提供者歧视的对抗性学习任务和提供者公平和 - biased 表征的正交正则化，我们证明了 ProFairRec 方法可以有效地提高许多现有方法的提供者公平性，同时保持它们的推荐准确性。
news recommendationbiasfairnessrepresentation learningadversarial learning
发现论文，激发创造
  • 公平推荐：基于分解对抗学习的公平新闻推荐

    本文提出了一种公平感知的新闻推荐方法，通过分解对抗性学习和正交正则化来缓解敏感用户属性带来的偏见，将用户兴趣模型分解为两个组件，用于学习偏差感知和偏差自由的用户嵌入，通过正交正则化来更好地区分偏差自由和偏差感知的用户嵌入，实证结果表明该方法可以在保证较小性能损失的情况下有效提高推荐公平性。

    Jun, 2020

  • 一个关注公平性的混合推荐系统

    本研究提出使用基于概率编程语言的混合公平意识推荐系统，以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐，同时解决了推荐偏见问题。与最先进的公平推荐系统相比，实验结果表明，我们的模型可以提供更准确、更公平的推荐。

    Sep, 2018

  • 个性化公平感知排序

    本篇研究提出了一种考虑到用户、排名质量和供应商公平性的新型推荐算法 FRA，在实验中，该算法在牺牲一定精度的情况下，有效提升了推荐系统的公平性，并考虑到了个体用户的偏好。

    Sep, 2018

  • FairRec: 双边平台中个性化推荐的双向公平性

    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

  • 推荐中的个性化对抗公平性

    本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

    May, 2021

  • 双边平台公平推荐的研究

    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

  • 消费者和生产者群体公平优化的个性化框架：在推荐系统中

    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

  • CPFair：用于推荐系统的个性化消费者和生产者公平重排

    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

  • 公平感知的推荐系统综述

    调查了公平推荐系统的现有方法和实践，包括概念，分类，评估和影响，旨在提高推荐系统的可信度、减少偏见和提高公平性，继而促进公平感知型推荐系统的发展。

    Jun, 2023

  • 通过个性化重新排序实现机会主义多方面公平

    研究人员提出了一种重新排名的方法，通过学习多个公平维度的个人偏好，增强了建议结果的公平性。这种方法可以更好地平衡准确性和公平性。

    May, 2020