提出一种新的无偏向推荐算法 BISER（BIlateral SElf-unbiased Recommender），使用自反倾向权重（SIPW）和双边无偏学习（BU）相结合减少推荐模型对物品的曝光偏差和流行度偏差。经过多次实验证明，BISER 在多个数据集上比现有无偏向推荐算法表现更优。
Jul, 2022
通过对因果推断框架的提出，使用倾向权重排序支持向量机从隐式反馈学习，消除了数据偏差问题，取得了更好的结果。
Aug, 2016
研究了点击偏见与信任偏见的存在，提出了一种基于仿射修正的估算器，该估算器是目前唯一被证明能够去除二者影响的，并利用半合成实验证明在消除这些偏见的情况下，CLTR 可以更接近最佳排名系统。
Aug, 2020
本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。
Apr, 2022
学习排序（LTR）是最广泛使用的机器学习应用程序之一。本文展示了如何将有效可解的公平排序模型整合到 LTR 模型的训练循环中，以在公平性、用户效用和运行效率之间取得有利的平衡。特别是，本文首次展示了如何通过 OOW 目标的约束优化进行反向传播，从而在集成的预测和决策模型中使用它们。
Feb, 2024
本文提出了一种名为 CounterSample 的新型学习算法，通过 Inverse Propensity Scoring 和 Stochastic Gradient Descent 解决 Counterfactual Learning to Rank 中导致收敛速度慢的 IPS weights 问题，同时在多个 biased LTR scenarios 中具有更快的收敛速度和更好的表现。
May, 2020
通过因果推断的方法，该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路，并采用多任务学习和反事实推断来实现此方案，有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。
Oct, 2020
本文提出了一种利用随机排序策略来进行公平学习及考虑排序项影响的通用 LTR 框架，并通过基于政策梯度方法的 Fair-PG-Rank 算法进行优化，可在保持曝光公平性的情况下优化各种效用指标。通过实验结果验证了此方法在个人和集体公平性方面的有效性。
Feb, 2019
本文介绍了一种在不涉及人工参照或限制相关性建模假设的前提下，从历史反馈日志中收集一种特定类型的干预数据并使用极值估计器以获得一致倾向性估计的方法，该方法在 Arxiv 全文搜索和谷歌 Drive 搜索等两个实际系统中提供了更好的倾向性估计。
Dec, 2018
本文介绍的计数事实学习 (LTR) 方法，使用包含交互偏差的已记录的用户交互来优化排名系统，通过引入一种新的策略感知的计数事实估计器，该方法可以适应随机记录策略的影响。同时，本文中还提出了一些传统 LTR 方法的新扩展方法，用于执行计数事实 LTR 并优化 top-k 评估指标，这些贡献介绍了首个可以应用于搜索和推荐中的非偏置 LTR 方法。