SIGIRMay, 2022

基于不完全曝光估计的曝光公平性

PDF
TL;DR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。
fairness of exposurestochastic ranking policyfelixinter-item dependenciestop-k setting
发现论文，激发创造
  • 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

  • 面向多方曝光的推荐公平性

    研究推荐系统中的曝光公平性，提出了一种从消费者和生产者双方角度建模的公平度量，以缓解除了个体用户和物品的不公平之外的更系统性的偏见，进一步研究了曝光公平性维度之间的关系并演示了如何将随机排序策略优化为这些公平目标。

    Apr, 2022

  • 使用期望曝光度评估随机排名

    引入 “预期曝光” 概念，主张采用 “等预期曝光” 原则，基于预期曝光提出评估方法，放宽信息检索假设，研究预期曝光度量和随机排序算法在各种信息访问条件下的行为。

    Apr, 2020

  • 公平且无偏的排名函数的策略梯度训练

    本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。

    Nov, 2019

  • 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

  • 带有曝光公平性的快速在线排名

    本文提出了一种优化随机排名中凸性目标函数的效率高、计算成本少、具有强理论保证，且适用于公平性暴露等所有凸顺滑目标函数的在线算法，可将复杂的曝光公平性标准纳入推荐中。

    Sep, 2022

  • 随机赌博机中曝光的公平性

    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

  • 推荐系统中基于图的方法缓解多方面的曝光偏差

    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

  • 公平排名中异常值的理解与缓解

    研究了公平排名系统中，异常值对排名的影响，并提出了一种新的方法 OMIT，利用异常值检测方法来改进公平分配，并展示了更公平地展示出现异常值的前 k 项的策略，兼顾公平和实用性。

    Dec, 2021

  • 动态学习排序的最大边际公平性

    提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。

    Feb, 2021