通过将公平个性化推荐问题映射到分配不可分割商品问题的约束版本中，我们提出了一种名为 FairRec 的算法，可以保证最大的最小份额（α-MMS）的影响力，同时为客户提供 Envy-Free up to One Item（EF1）的公平性保证，并在多个真实数据集上进行了广泛评估。通过采用 FairRecPlus 算法，我们在保持相同公平性保证的同时，通过额外的计算时间提高了客户的推荐效果。

Dec, 2021

本文提出了一个端到端框架来实现市场机器学习系统的公平性，并扩展了先前的工作以开发一个优化框架，旨在解决市场的源端和目的端以及问题的动态方面的公平性约束，该框架足够灵活，以适应不同公平性定义，并可在非常大的规模环境中实现，并通过模拟展示了我们方法的有效性。

Jun, 2020

研究使用新型映射的公平推荐问题，以保证两边公平，其中包括考虑到客户和生产商的公平问题，并提出了一种保证大多数生产商最小共享的曝光和每个客户无嫉妒（Envy-Free up to One item，EF1）公平的新算法 FairRec。在多个现实世界数据集上进行的广泛评估表明，FairRec 可以确保双方面的公正，同时对总体推荐质量造成微不足道的损失。

Feb, 2020

本文探讨了作为全球推荐系统一部分的非个性化（全局）新闻媒体平台中的两个特定的公平性问题，即用户公平和组织公平。作者测试了社会选择理论中不同的投票规则，并提出了一种偏见度量标准，以度量推荐文章集的总体意识形态偏见。作者发现，尽管投票规则在用户方面表现更好，但它们表现出很高的偏见值，显然不适合平台的组织要求。因此，需要建立一个综合机制以紧密地联系用户公平和组织公平的理念。

Nov, 2020

本文提出了一种基于优化的重新排序方法，该方法在联合目标框架中无缝集成了来自消费者和生产者方面的公平性约束，并经过 8 个数据集的大规模实验证明，我们的方法能够提高消费者和生产者的公平性，同时不会降低总体的推荐质量。

Apr, 2022

近年来，人们越来越认识到，当机器学习算法用于自动化决策时，它们可能会对个人或群体造成不公平待遇，涉及法律、道德或经济方面的问题。本文提出了一个名为 CP-FairRank 的基于优化的重新排序算法，它在综合目标框架中无缝地集成了消费者和生产者双方的公平性约束，具有普适性，并且能够根据群体细分、推荐模型选择和领域的不同情况考虑不同的公平设置，改善消费者和生产者的公平性而不会明显影响整体推荐质量，从而展示算法在避免数据偏见方面的作用。

Feb, 2024

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

本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法，并通过实验证明其在这三个方面的有效性和权衡。

Oct, 2020

检测和实现在线市场中卖方公平性，通过引入卖方结果公平性概念和构建以平衡推荐奖励和公平度度量为目标的优化模型，然后提出基于数据驱动的梯度下降算法，通过对真实电子商务数据集进行数值实验，发现该算法能提升卖方公平性而不损害总采购额和总购买次数等指标。

Dec, 2023

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