Feb, 2024

推荐系统中的交叉双边公平性

HTML
PDF
TL;DR基于用户公平性、条目公平性及双边公平性的分析，本研究发现即使系统被认为是双边公平的，交叉的双边不公平仍可能存在，我们提出了一种名为交叉双边公平推荐 (ITFR) 的新方法，该方法利用一种敏锐感知劣势群体的丧失函数，通过协调损失平衡为不同的交叉群体提供一致的区分能力，并使用预测评分归一化来公平对待不同交叉群体中的正样本，实验结果表明我们的方法有效减轻了交叉双边不公平并持续优于以往的最优方法。
发现论文，激发创造
  • 通过两两比较实现推荐排序中的公平性

    本研究提出了一套度量算法公平性关注的新型指标，基于随机实验的成对比较来衡量公平性，建立了新的规则化器，促进了模型训练和推荐系统的公平性。

    Mar, 2019

  • 协同推荐中的偏差差异：算法评估和比较

    本篇研究探讨不同的推荐算法是如何权衡排序质量和偏见差异，特别是针对机器学习以及推荐系统中的公平性问题所做的实验。

    Aug, 2019

  • 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

  • 非个性化推荐中的双边公平性

    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

  • 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

  • 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

  • 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

  • 推荐公正性：一项调查

    这篇论文系统地概述了推荐系统公平性的研究现状和挑战，介绍了现有的公平性定义分类、公平性提高技术和用于公平研究的数据集。

    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

  • 公平感知的推荐系统综述

    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