Aug, 2023

确保动态推荐系统中用户方面的公平性

PDF
TL;DR针对用户组公平性和减少性能差异等问题，本文提出了一种动态的 FAir Dynamic rEcommender（FADE）框架，通过精调模型参数以确保用户组公平性和高质量推荐，实验证明 FADE 在减少性能差异和改善推荐质量方面表现出色。
user-side group fairnessrecommender systemsperformance disparityfairness-constrained re-rankingfair dynamic recommender (fade)
发现论文，激发创造
  • 面向用户的推荐公平性

    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。

    Apr, 2021

  • 推荐系统中以用户为导向的公平性的普适性实验

    研究在推荐系统中的公平性问题，提出一种基于用户为导向的公平性重排框架来缓解基于排名的不公平行为，发现不同用户组的定义在算法的有效性和特定排名模型的性能改进方面起到至关重要的作用。

    May, 2022

  • 推荐系统中的消费者公平性：方法和评估的系统调查

    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

  • 推荐系统中的用户公平性

    本文提出并探讨了用户公平性的概念，研究了两个多样化算法，发现仅追求多样性的推荐会导致用户间的不公平现象。

    Jul, 2018

  • 推荐系统中的长期公平性

    本文提出了一种用于动态公平学习的约束强化学习算法，通过将推荐问题建模为约束马尔可夫决策过程，以解决推荐系统中长期公平性的问题。实验结果表明，该算法在推荐性能、短期公平性和长期公平性方面均具有优越性。

    Jan, 2021

  • 通过数据增强改善推荐公平性

    本文研究了如何从数据增强的角度提高协同过滤推荐的公平性，通过增强数据集中的不平衡数据来改善其公平性，测试结果表明这种方法能有效提高推荐公平性。

    Feb, 2023

  • 个性化公平感知排序

    本篇研究提出了一种考虑到用户、排名质量和供应商公平性的新型推荐算法 FRA，在实验中，该算法在牺牲一定精度的情况下，有效提升了推荐系统的公平性，并考虑到了个体用户的偏好。

    Sep, 2018

  • 通过个性化重新排序实现机会主义多方面公平

    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

  • 消费者和生产者群体公平优化的个性化框架：在推荐系统中

    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

  • DeepFair: 推荐系统中提升公平性的深度学习

    提出了一种基于深度学习协同过滤算法的推荐系统，实现了公平和准确度之间的最佳平衡，无需知道用户的人口统计信息。实验结果表明，可以在不失去大部分准确度的情况下进行公平的推荐。

    Jun, 2020