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

本文介绍了一种基于图形算法的后处理方法 FairMatch，可在推荐生成后改善物品和供应商的曝光公平性，实现多方利益相关方的公平效益最大化。在两个数据集上的一系列实验和与最新基线模型的比较表明，FairMatch 显著提高了曝光公平性和聚合多样性，同时保持了推荐的相关性水平。

Jul, 2021

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

本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。

Nov, 2019

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

该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。

May, 2020

本文提出了一种优化随机排名中凸性目标函数的效率高、计算成本少、具有强理论保证，且适用于公平性暴露等所有凸顺滑目标函数的在线算法，可将复杂的曝光公平性标准纳入推荐中。

Sep, 2022

研究推荐系统中的曝光公平性，提出了一种从消费者和生产者双方角度建模的公平度量，以缓解除了个体用户和物品的不公平之外的更系统性的偏见，进一步研究了曝光公平性维度之间的关系并演示了如何将随机排序策略优化为这些公平目标。

Apr, 2022

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

本文介绍了一种基于个性化多样化重新排序的方法，以增加不受欢迎的项目在推荐中的表现，同时保持良好的推荐准确性，并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效，同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。

Jan, 2019