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
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
本文讨论推荐系统中的公平性,提出了一种基于概率的框架来评估推荐系统的公平性,该框架基于推荐算法偏向或低估哪些项目或用户方面的领域知识,并考虑到推荐资源如何基于优点和需求分配,研究结果表明所提出的评估框架在用户和项目公平性方面具有优点。
Aug, 2019
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
本文通过使用多个推荐算法和音乐、电影两个领域的公开数据集,实证了推荐算法的内在流行度偏差以及这种偏差对用户和项目供应商等不同利益相关者的影响,并提出了从不同利益相关者的角度衡量推荐算法暴露偏差的度量方法。
Jun, 2020
为了解决个性化推荐中传统策略可能导致的不公平现象,提出了一种新的基于功绩公平的策略,并给出了两种算法,分别适用于多臂老虎机和线性老虎机,证明了算法的功绩公平和奖励公平具有亚线性,同时提供了实证分析,证明了该算法能够有效地公平分配推荐曝光。
Mar, 2021
本文为乘用侧公平在推荐系统中的研究提供了系统的概览和讨论,并提出了一种基于高级公平解释的新型分类方法,用于对研究及其提出的公平评价指标进行分类,最后提出了该领域未来的一些方向建议。
May, 2023
本文提出并探讨了用户公平性的概念,研究了两个多样化算法,发现仅追求多样性的推荐会导致用户间的不公平现象。
Jul, 2018
本文提出了一种用于动态公平学习的约束强化学习算法,通过将推荐问题建模为约束马尔可夫决策过程,以解决推荐系统中长期公平性的问题。实验结果表明,该算法在推荐性能、短期公平性和长期公平性方面均具有优越性。
Jan, 2021