Sep, 2023

在推荐系统中处理用户约束的主导集以实现用户导向的公平性

PDF
TL;DR推荐系统中存在用户取向公平性（UOF）问题，为了解决这个问题，我们提出了一个通用的 In-UCDS 框架，该框架可以应用于任何骨干推荐模型以实现用户取向公平，并且通过联合公平损失和原始骨干模型损失来维护整体推荐性能。
recommender systemsuser-oriented fairnessin-processing user constrained dominant setsunfairnessrecommendation performance
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

  • 确保动态推荐系统中用户方面的公平性

    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。

    Aug, 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

  • UP5: 公平感知推荐的无偏基础模型

    本文针对大型语言模型在推荐系统中可能存在的不公平问题，提出了基于 Counterfactually-Fair-Prompting（CFP）技术的新型 Unbiased P5（UP5）模型，将个性化前缀提示和多个 Prompt Mixture（综合提示）相结合，实现了更公平的推荐结果。实验证明，UP5 模型的推荐性能显著优于其他具有匹配特性或顺序特性的公平建议模型，并且表现出更高的公平水平。

    May, 2023

  • 基于深度聚类的公平异常检测

    本文提出了一种基于深度聚类和对抗训练的公平异常检测算法，通过对数据中的统计偏差进行建模，并采用一种实例级加权表示学习策略来增强聚类和异常检测，从而提供了一个更公平的潜在异常集合。

    Jun, 2021

  • 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

  • 推荐中的个性化对抗公平性

    本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

    May, 2021

  • 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

  • 关于兴趣点推荐中活跃用户和流行度偏见的不公平性问题

    该研究探讨了 Point-of-Interest 推荐系统中用户和商品的公平性问题，以及推荐结果的个性化和准确性的关系，结果表明不同种类的商品存在明显的公平性偏见，而多数推荐模型在满足用户和商品公平性方面存在权衡。

    Feb, 2022