学术推荐系统中的偏差：影响、普遍性和缓解

Jan, 2023

学术推荐系统中的偏差：影响、普遍性和缓解

Biases in Scholarly Recommender Systems: Impact, Prevalence, and Mitigation

Michael Färber, Melissa Coutinho, Shuzhou Yuan

TL;DR本文研究学术推荐系统中存在的偏见问题，对这些偏见进行分析并提出了缓解偏见及公正评估的方法和框架。同时，讨论相关研究的挑战和方向。

Abstract

With the remarkable increase in the number of scientific entities such as publications, researchers, and scientific topics, and the associated information overload in science, academic recommender systems have become increasingly important for millions of researchers and science enthus

academic recommender systems biases scholarly domain mitigation methods research directions

发现论文，激发创造

推荐系统中的流行度偏差调查

推荐系统中普遍存在的流行度偏差问题，导致推荐结果集中在热门物品，本文回顾了流行度偏差的潜在原因和现有方法，并批判性地讨论了当前文献的局限性。

Aug, 2023

推荐系统中的偏差和去偏差研究：调查与未来方向

本文系统概要总结研究论文中七种推荐偏差类型及其特点、定义，提供分类学和组织现有关于推荐去偏差的工作，并确定一些开放式挑战和未来方向。

Oct, 2020

推荐系统中的偏差差异

本研究在合成数据上进行了初步的实验研究，在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡，并对实际数据的数据失衡进行了一些观察。

Nov, 2018

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

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

动态推荐系统中的流行度偏差度量

量化推荐系统中的偏见和偏差是重要的，本文提出了四个度量指标来衡量受时间和敏感用户组影响的推荐系统中的流行度偏差，并展示了这些度量指标综合使用时能够全面了解敏感群体之间的不公平对待逐渐增加的情况。

Oct, 2023

推荐中的多维度暴露偏差

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

推荐系统中的公平性：研究现状和未来方向

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。

May, 2022

打破定型：一个统一框架用于审视推荐系统中的误判、偏见和刻板印象

评估推荐系统的系统性误差、刻板印象和校准问题，并提出了一种统一框架来衡量系统引起的效应，研究发现简单算法生成的推荐结果更符合刻板印象但偏差较小，而较复杂算法产生的推荐则存在更大的偏差，进而影响到非典型用户和少数群体，通过过采样来减少刻板印象和提高推荐质量具有改善系统引起效应的潜力。

Dec, 2023

推荐系统简介

本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

Feb, 2023