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
这篇论文系统地概述了推荐系统公平性的研究现状和挑战,介绍了现有的公平性定义分类、公平性提高技术和用于公平研究的数据集。
May, 2022
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。
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
本文探讨了机器学习中公平性的问题,并将公平性概念扩展到了推荐系统中。在某些推荐场景中,公平性是一个多面向的概念,需要考虑多个个体的公平性。在此基础上,我们提出了一种分类方法来设计公平感知的推荐系统并给出了可能的架构。
Jul, 2017
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
本文基于用户视角,探讨推荐系统中存在的不公平问题,提出使用重新排序的方法来减轻推荐系统在活跃用户和非活跃用户之间的质量偏差问题,从而提高系统的公平性和整体推荐性能。
本文研究公平感知推荐系统的用户透明性和可信度,提出 3 个特征以改善公平感知推荐系统的用户理解和信任。
Mar, 2021
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。