本文针对在线个性化设置中排名的公平性问题，从公平的机器学习模型开始，探讨了在线个性化如何导致模型不公平，并提出了一种基于正则化的方法来缓解机器学习中的偏差。

Jul, 2020

本文旨在介绍确保排名和推荐中的公平性所使用的定义、模型和方法的工具包，提供有关这一新颖、迅速发展和有影响力的领域的坚实框架，将相关方法并置并强调未来工作的开放挑战和研究路径。

Apr, 2021

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

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

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

本文研究公平感知推荐系统的用户透明性和可信度，提出 3 个特征以改善公平感知推荐系统的用户理解和信任。

Mar, 2021

在个性化推荐背景下的算法公平性面临着与分类任务中不同的挑战。本文提出了一种多人利益相关社会选择问题的形式化模型，将推荐公平性表述为一个分配和聚合问题的结合，并提出了一些新的推荐技术。

Mar, 2023

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

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

本论文介绍了如何针对个人偏好进行推荐系统的公平性审核，提出了一种以多臂赌博机为基础的高效算法，并在现实数据集上进行了实验和研究。

Apr, 2021