带有曝光公平性的快速在线排名
本文介绍了一种基于福利经济学理论的公平推荐算法，该算法旨在通过最大化凹的福利函数来生成 Pareto 有效且满足 Lorenz 效率的公平排序，以实现效用再分配，通过实验证明了该算法可以提升较弱群体的收益，同时在总体效益有所减少的情况下成本更低。
Oct, 2021
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
在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。
Jun, 2024
本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。
Apr, 2017
在线跳蚤市场等双边市场中，为消费者提供个性化项目排名的推荐系统在促进提供者和消费者之间的交易中起着关键作用。然而，双边市场面临平衡消费者满意度和公平性以刺激项目提供者活动的问题。本文提出了一种快速的基于影响力公平排名问题的解决方案，通过将公平排名问题转化为无约束的优化问题，并设计了一种反复执行 Sinkhorn 算法的梯度上升方法。实验结果表明，我们的算法能够提供高质量的公平排名，并且比商业优化软件的应用快约 1000 倍。
Jun, 2024
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
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
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