Why didn't more people see it? Recommendation: Transparency for providers
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对推荐系统中项目提供者的曝光透明度研究，提出代理建模方法解释系统级项目曝光，在两个数据集和三个推荐模型上验证了该方法的高保真度及因素的领域与模型差异性。
2026-08-25 cs.IR
Overhead-free User-side Recommender Systems
National Institute of Informatics（情报学研究所）
针对用户侧推荐系统通信开销过高的问题，提出无开销框架RecCycle，通过回收提供商的历史推荐结果，在保持与先进算法同等性能的同时显著降低成本。
2024-11-12 cs.AI cs.DB cs.DL
What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；ISISTAN, CONICET-UNCPBA（ISISTAN，阿根廷国家科学研究委员会-内乌肯国立大学）
本研究评估推荐系统中公平性干预的能耗成本，比较多种方法，发现公平性的绿色成本不统一，呼吁以准确性、公平性和计算成本三方权衡来评估公平感知推荐。
2026-09-09 cs.IR
Content Prompting: Modeling Content Provider Dynamics to Improve User Welfare in Recommender Ecosystems
Google Research（谷歌研究院）
针对推荐系统中内容提供者信息不对称问题，提出内容提示策略，通过联合提示诱导提供者提供新内容，以均衡优化用户福利并尊重提供者激励。
2023-09-02 cs.AI cs.GT cs.IR
Stealthy LLM-Driven Data Poisoning Attacks Against Embedding-Based Retrieval-Augmented Recommender Systems
本文系统研究了基于 RAG 的推荐系统中通过微调物品描述 token 实施的隐蔽数据投毒攻击，并在 MovieLens 上验证其能显著改变排名与曝光，揭示了现有流程的脆弱性及防御需求。
2025-05-08 cs.IR
PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System
本文提出无参数传输的联邦序列推荐框架PTF-FSR，通过仅传输隐私保护下的预测结果，同时保护模型与数据隐私，并支持更大规模序列推荐模型。
2024-06-08 cs.IR
Collaborating with Users in Proximity for Decentralized Mobile Recommender Systems
通常，来自任何领域的推荐系统，无论是电影、音乐、餐馆等，以集中的方式组织起来。服务提供商拥有所有的数据，推荐算法中的偏见对用户来说并不透明，并且服务提供商经常产生锁定效应，使得用户不方便切换提供商。在本文中，我们认为，用户的智能手机已经拥有了大量的数据，输入到典型的推荐系统的电影，音乐，或POI。随着智能手机和其他用户在公共场所或公共交通工具中的无处不在，数据可以以设备到设备的方式直接在用户之间交换。通过这种方式，每个智能手机都可以建立自己的数据库并计算自己的推荐。这种系统的好处之一是，它不限于只为一个用户推荐-特设组推荐也是可能的。虽然这样的平台的基础设施已经存在-智能手机已经在用户的手掌-有关于移动推荐系统平台以及其推荐算法的挑战。在本文中，我们提出了一个移动架构所描述的系统-包括数据汇集，数据交换和推荐系统-并强调其挑战和机遇。
2019-06-07 cs.IR cs.SI
Towards Employing Recommender Systems for Supporting Data and Algorithm Sharing
数据和算法共享是数据和人工智能驱动经济的重要组成部分。数据和算法的有效共享依赖于用户、数据提供者和算法提供者之间的积极互动。虽然推荐系统被称为有效地互连用户和电子商务环境中的项目，有一个缺乏研究的数据和算法共享的推荐系统的适用性。为了填补这一空白，我们确定了六个推荐方案，以支持数据和算法共享，其中四个方案与电子商务应用程序中的传统推荐方案有很大不同。我们使用基于OpenML数据和算法共享平台的交互数据的新数据集来评估这些推荐方案，我们也为科学界提供了这些数据集。具体来说，我们调查三种类型的推荐方法，即流行，合作，和基于内容的建议。我们发现，基于协作的建议在所有情况下提供最准确的建议。此外，推荐准确性在很大程度上取决于特定的场景，例如，对用户的算法推荐是比对数据集的算法推荐更困难的问题。最后，基于内容的方法生成覆盖大多数数据集和算法的最少受欢迎的推荐。
2022-10-26 cs.IR
Understanding Biases in ChatGPT-based Recommender Systems: Provider Fairness, Temporal Stability, and Recency
Polytechnic University of Bari（巴里理工大学）
本文通过大量实验研究ChatGPT推荐系统中的提供者公平性等偏差，发现准确性导向提示优于多样化提示，将公平性嵌入系统角色更有效，且零样本学习在公平性和覆盖率上总体优于上下文学习。
2024-07-04 cs.IR cs.LG
Matrix Factorization Method for Decentralized Recommender Systems
分散式推荐系统不依赖于中心服务提供者，用户可以保持对自己评分的所有权。本文将理论上研究得很好的矩阵分解方法引入到分散式推荐系统中，其中以前流行的算法是启发式的，因此缺乏理论保证。我们的初步模拟结果表明，这种方法是有前途的。
2016-04-28 cs.DC cs.IR
Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment
The School of Computer Science and Information Engineering, Hefei University of Technology（合肥大学计算机科学与信息工程学院）
本文提出PFA框架，通过学习用户-物品嵌入的个性化调整来实现公平性控制，同时设计HEFA解决组内组间曝光不均问题，实验表明在保持排名质量的同时显著提升公平性。
2026-05-02 cs.IR
Decoupled Recommender Systems: Exploring Alternative Recommender Ecosystem Designs
本文研究推荐算法与平台解耦的架构，构建包含算法选择的推荐生态系统模型，探讨其对消费者、提供者和平台间效用分配的影响。
2025-03-06 cs.AI cs.HC cs.IR
Price and Profit Awareness in Recommender Systems
TU Dortmund（多特蒙德工业大学）；University of Minnesota（明尼苏达大学）
学术界对推荐系统的研究主要集中在如何通过为每个用户确定最相关的项目来最大化用户的效用。然而，这些项目不一定是最大化服务提供商效用的项目（例如，在线零售商）在商业价值方面，例如利润。增加供应商效用的一种方法是纳入面向购买的信息，例如，价格，销售概率，以及由此产生的利润，到推荐算法。在本文中，我们特别关注价格和利润感知的推荐系统。我们提供了一个简短的概述，相关文献和数值模拟来说明这种方法的潜在商业利益。
2017-07-25 cs.AI cs.IR
Optimizing Long-term Social Welfare in Recommender Systems: A Constrained Matching Approach
Google Research（谷歌研究院）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Technion（以色列理工学院）
大多数推荐系统（RS）研究假设用户的效用可以独立于其他代理的效用而被最大化（例如，其他用户、内容提供方）。在现实环境中，这往往是不正确的-RS生态系统的动态耦合所有代理的长期效用。在这项工作中，我们探索设置中，内容提供方不能保持可行的，除非他们收到一定程度的用户参与。我们制定的推荐问题在这种情况下作为一个均衡选择诱导动力系统，并表明它可以解决作为一个最佳的约束匹配问题。我们的模型确保系统达到一个平衡，最大的社会福利支持一个足够多样化的可行的供应商。我们证明，即使在一个简单的，程式化的动态RS模型，标准的近视推荐方法-总是匹配用户的最佳供应商-表现不佳。我们开发了几种可扩展的技术来解决匹配问题，并绘制连接到用户的遗憾和公平的各种概念，认为这些结果是公平的功利意义上。
2020-08-18 cs.AI cs.IR cs.LG
RecRec: Algorithmic Recourse for Recommender Systems
University of Washington（华盛顿大学）；Pinterest, Inc.（品趣志公司）；University of Maryland（马里兰大学）
本文提出RecRec，一个面向内容提供商的推荐系统算法补救框架，通过生成有效、稀疏且可操作的行动来修改项目排名，并在三个真实数据集上验证其有效性。
2023-08-28 cs.AI cs.IR cs.LG
Fair Multi-Stakeholder News Recommender System with Hypergraph ranking
imec（校际微电子中心）；KU Leuven（荷语鲁汶大学）
推荐系统通常被设计为满足最终用户的需求。然而，在某些领域，用户并不是系统中唯一的利益相关者。例如，在新闻聚合网站中，用户、作者、杂志以及平台本身都是潜在的利益攸关方。大多数协同过滤推荐系统都存在受欢迎度偏差的问题。因此，如果推荐系统只考虑用户的偏好，大概它会过度代表受欢迎的提供商，而不代表不太受欢迎的提供商。为了解决这个问题，我们应该在生成的排名列表中考虑其他利益相关者。在本文中，我们证明了超图学习具有处理多利益相关者推荐任务的自然能力。超图可以对不同类型的对象之间的高阶关系进行建模，因此自然倾向于生成考虑多个利益相关者的推荐列表。我们在时间轮中形成建议，并学习调整利益相关者的权重，以随着时间的推移增加低覆盖利益相关者的覆盖率。实验结果表明，该方法能有效地克服流行度偏差，在较低的准确率下，对两个新闻数据集的作者给出更公平的推荐。
2021-02-09 cs.IR cs.LG
Towards Principled User-side Recommender Systems
传统上，推荐算法是为服务开发人员设计的。然而，最近，一个新的范例称为用户端推荐系统已被提出，他们使Web服务用户构建自己的推荐系统，而无需访问商业机密数据。这种方法为用户定义的公平系统打开了大门，即使服务的官方推荐系统并不公平。虽然现有的用户端推荐系统的方法已经解决了不使用日志数据构建推荐系统的挑战性问题，但它们依赖于启发式方法，并且从理论角度来看，构建用户端推荐系统是否是一个定义明确的问题仍然不清楚。在本文中，我们提供了用户端推荐系统的理论依据。具体来说，我们看到，隐藏的项目功能可以从用户可用的信息中恢复，使用户端推荐系统的建设定义明确。然而，这种理论上的方法并不有效。为了实现实用的，但理论上健全的推荐系统，我们提出了用户端推荐系统的三个理想的属性，并提出了一个有效的和高效的用户端推荐系统，\textsc{Consul}，基于这些基础。我们证明，\textsc{Consul}满足所有三个属性，而现有的用户端推荐系统缺乏至少其中之一。在实验中，我们通过数值实验验证了特征恢复的理论。我们还表明，我们提出的方法实现了良好的权衡效果和效率，并通过案例研究表明，该方法可以检索信息，提供商的官方推荐系统不能。
2022-08-21 cs.IR
Personalizing Fairness-aware Re-ranking
个性化推荐在确保公平性方面带来了新的挑战，特别是在用户不是推荐系统中唯一参与者的情况下。例如，系统可能想要确保来自不同提供者的项目具有被推荐的公平机会。为了解决这个问题，我们提出了一个公平意识的重新排名算法（FAR），以平衡排名质量和供应商端的公平性。我们通过在准确性和提供者的覆盖范围之间进行权衡来迭代地生成排名列表。虽然公平对待提供者是可取的，但用户对增加这种多样性的接受程度可能不同。因此，纳入了对提供商多样化的个性化用户容忍度。实验进行合成和真实世界的数据。结果表明，我们提出的重新排名算法可以显着提高公平性，略有牺牲的准确性，可以这样做，同时注意到个别用户的差异。
2018-09-13 cs.IR
Towards Analyzing the Bias of News Recommender Systems Using Sentiment and Stance Detection
在线新闻提供商使用新闻推荐系统来减轻信息过载并向用户提供个性化内容。然而，算法新闻策展被假设为创造过滤泡沫并加强用户的选择性曝光，可能会增加他们对两极分化的意见和假新闻的脆弱性。在本文中，我们展示了如何利用新闻项目的立场和情感信息来分析和量化推荐系统遭受偏见的程度。为此，我们已经注释了德国新闻语料库的主题，使用立场检测和情感分析的移民。在四个不同的推荐系统的实验评估中，我们的结果显示，所有四个模型都有轻微的倾向，推荐文章的负面情绪和立场对难民和移民的话题。此外，我们观察到基于文本的评论者的情感和立场偏见与预先存在的用户偏见之间存在正相关关系，这表明这些系统放大了用户的意见，降低了推荐新闻的多样性。知识感知模型似乎是最不容易出现这种偏差的模型，其代价是预测准确性。
2022-03-11 cs.IR
How to Diversify any Personalized Recommender?
本文提出一种以用户为中心的预处理策略，通过选择性增删用户交互来引入分布偏移，在保持准确性的同时提升推荐多样性，并促进提供者公平。
2025-02-04 cs.IR
Towards Measuring Fairness in Grid Layout in Recommender Systems
本文扩展线性公平排序指标至网格布局，分析不同列宽、列缩减方法及设备几何结构对提供者群体公平性测量的影响，为实践者提供布局适配的公平性评估见解。
2023-09-19 cs.IR
A Novel Privacy-Preserved Recommender System Framework based on Federated Learning
College of Information Science and Engineering（信息科学与工程学院）；Ningbo University（宁波大学）
推荐系统是目前解决信息过载的有效方法。为了满足用户的下一次点击行为，RS需要收集用户的个人信息和行为，以实现全面而深刻的用户偏好感知。然而，这些集中收集的数据是隐私敏感的，任何泄漏都可能对用户和服务提供商造成严重问题。提出了一种新的隐私保护推荐系统框架（PPRSF），通过应用联邦学习范式，使推荐算法在不集中收集用户隐私数据的情况下进行训练和推理。PPRSF不仅能够降低隐私泄露风险，满足法律法规的要求，而且允许各种推荐算法的应用。
2020-11-11 cs.IR cs.LG
Inclusive Ethical Design for Recommender Systems
Insight SFI Research Centre for Data Analytics（Insight SFI数据分析研究中心）；School of Information and Communication Studies（信息与传播研究学院）；University College Dublin（都柏林大学）
推荐系统作为信息的媒介正变得越来越重要，有可能深刻地影响社会舆论。虽然正在制定办法，以确保这些系统是以负责任的方式设计的，但青少年尤其是一个潜在的弱势用户组，需要明确考虑。这一点尤其重要，因为它们不仅可以访问和使用推荐系统，而且还可以作为内容提供者。本文提出了推荐系统的道德设计的核心原则，并评估目前的方法，以确保遵守这些原则是否充分包括青少年用户的特殊需求和潜在的脆弱性。
2022-09-13 cs.AI cs.CY cs.IR
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado（科罗拉多大学）
随着这些系统在社会中变得越来越普遍，人工智能的算法公平性变得越来越重要。人工智能的一个领域，推荐系统，由于在优化用户的准确性和提供商的公平性之间进行权衡，因此对公平性提出了独特的挑战。但是，在建议的背景下，什么是公平的-特别是在有多个利益攸关方的情况下？在这个问题的初步探索，我们问用户他们的想法，公平对待的建议可能是，为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化，最终帮助设计更公平，更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
The Application of Affective Measures in Text-based Emotion Aware Recommender Systems
George Mason University（乔治梅森大学）；George Mason University Korea（乔治梅森大学韩国分校）
本文提出利用生成式预训练Transformer检测情感特征，构建情感指数与指标，通过责任分离保护隐私，为情感感知推荐系统提供解决方案。
2023-05-04 cs.IR cs.LG
Modeling Recommender Ecosystems: Research Challenges at the Intersection of Mechanism Design, Reinforcement Learning and Generative Models
Google Research（谷歌研究院）
本文提出建模推荐生态系统需显式考虑所有参与者的激励与交互，并融合强化学习、社会选择、机制设计、行为经济学及生成模型，以提升长期效用和系统健康度。
2023-09-22 cs.AI cs.GT cs.HC
Adversarial Item Promotion on Visually-Aware Recommender Systems by Guided Diffusion
针对现有视觉感知推荐系统对抗攻击图片易被检测、效果不稳定的问题，提出基于引导扩散的IPDGI攻击方法，生成高隐蔽性对抗图片，在两个电商数据集上验证了其在长尾商品推广和图片质量上的优势，揭示了系统真实脆弱性。
2024-05-23 cs.IR
A Fuzzy Community-Based Recommender System Using PageRank
Islamic Azad University Tehran North Branch（德黑兰北部伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米爾卡比爾理工大學）
推荐系统被不同的用户服务提供商广泛使用，特别是那些与大型用户社区有交互的用户。介绍了一种基于社区发现的推荐系统。使用用户之间的局部和全局相似性来提供推荐。当地的信息是从社区获得的，全球的信息是基于评级。在这里，一个新的模糊社区发现使用个性化的PageRank隐喻。用户对社区的模糊隶属度值被用来定义一个相似性度量。该方法通过使用两个著名的数据集：MovieLens和FilmTrust进行评估。结果表明，我们的方法优于最近的推荐系统。
2018-12-18 cs.IR cs.LG cs.SI
From Raw IDs to Semantic Planning: How Recommender Systems Utilize Information at Scale
University College Dublin（都柏林大学）；Huawei Ireland Research Centre（华为爱尔兰研究中心）；Huawei Technologies（华为技术有限公司）
探讨推荐系统如何利用信息，分析原始ID主导早期发展及语义信息封装于ID的原因，引入语义规划为未来方向，指出转变需在模型设计、评估及协调多方目标等方面做出改变。
2026-07-21 cs.IR
Give the Long-tail More SPACE: Promoting Provider Fairness in Next POI Recommendation
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系）
本研究针对下一个POI推荐中主流模型曝光集中于热门POI、长尾商家曝光不足的问题，提出模型无关框架SPACE，通过三阶段方法提升长尾POI曝光，在保证推荐准确性的同时改善提供者公平性。
2026-08-11 cs.IR
How Fair is Your Diffusion Recommender Model?
本文首次实证研究了基于扩散的推荐模型 DiffRec 及其变体 L-DiffRec 的公平性，在两个基准数据集上从消费者和提供商视角评估了其效用与公平性，并探讨了两者间的权衡。
2025-08-10 cs.IR
Managing multi-facet bias in collaborative filtering recommender systems
K. N. Toosi University of Technology（卡努西科技大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
随着网络信息的广泛增长，推荐系统在服务于人们的兴趣方面发挥着越来越重要的作用。传统的推荐系统大多使用以准确性为中心的方法来产生推荐。今天的研究表明，这种单维度的方法可能会导致系统对一系列具有某些属性的项目产生偏见。跨项目组的有偏见的推荐可能危及项目提供者的利益，同时引起用户对系统的不满。本研究的目的是管理一种新的类型的交叉偏见的地理来源和流行的项目在国家的最先进的协同过滤推荐算法的输出。我们引入了一种称为MFAIR的算法，这是一种多方面的后处理偏差缓解算法，可以减轻这些偏差。在两个真实世界的电影和书籍数据集上进行的大量实验表明，该算法在准确性和两种类型的偏差之间取得了合理的平衡。根据结果，我们提出的方法优于一个著名的竞争对手没有或只有轻微的效率损失。
2023-02-21 cs.IR cs.LG
RecSim NG: Toward Principled Uncertainty Modeling for Recommender Ecosystems
Google Research（谷歌研究院）
开发推荐系统，优化与用户的多轮交互，并对不同代理的交互进行建模（例如，用户、内容提供方、销售商）近年来引起了越来越多的关注。使用静态数据集开发和训练用于此类决策者的模型和算法可能特别困难，因为静态数据集通常无法提供在扩展范围内评估政策所需的反事实预测类型。为了解决这个问题，我们开发了RecSim NG，一个概率平台，用于模拟多代理推荐系统。RecSim NG是一个可扩展的，模块化的，可区分的模拟器，在Edward 2和TensorFlow中实现。它提供：一种功能强大的通用概率程序设计语言，用于代理行为规范;用于概率推理和潜变量模型学习的工具，由自动微分和跟踪支持;以及基于TensorFlow的运行时，用于在加速硬件上运行模拟。我们描述了RecSim NG，并说明了如何使用它来创建透明的，可配置的，端到端的推荐生态系统模型，辅以一小部分简单的用例，演示了RecSim NG如何帮助研究人员和从业人员轻松开发和训练推荐系统的新算法。
2021-03-14 cs.AI cs.IR cs.LG
Poison-RAG: Adversarial Data Poisoning Attacks on Retrieval-Augmented Generation in Recommender Systems
Poison-RAG 提出针对基于 RAG 的推荐系统的数据投毒攻击框架，通过操纵物品元数据（局部或全局策略）在 MovieLens 上实现最高 50% 的操纵提升，并指出热门物品更易受攻击，建议数据增强以增强防御。
2025-01-20 cs.IR
Addressing the cold start problem in privacy preserving content-based recommender systems using hypercube graphs
本文针对推荐系统冷启动问题，提出基于超立方体图的隐私保护内容过滤方法，实验证明在评分极少时优于标准算法且保护隐私。
2023-10-13 cs.IR math.CO
Hide Your Model: A Parameter Transmission-free Federated Recommender System
针对传统联邦推荐系统需共享模型参数和通信开销大的问题，提出免参数传输框架PTF-FedRec，通过共享预测结果保护用户数据与平台模型隐私，显著降低通信成本。
2024-02-12 cs.IR
User-item matching for recommendation fairness
众所周知，用户和商品提供者是推荐系统的两个主要参与方。然而，大多数现有的研究工作的推荐集中在更好地服务用户，忽视了项目提供者的目的。本文致力于在满足项目提供者目标的前提下提高项目曝光的公平性，在满足用户目标的前提下保持推荐的准确率不降低甚至提高。我们建议对商品设置库存量约束，具体来说，限制商品的最大允许推荐次数，使其与过去互动的频率成比例，这被验证为实现对普通用户的商品曝光公平性，从而减轻商品流行度的马太效应。在已有的用户推荐长度和商品库存量两个约束条件下，提出了基于归一化评分的启发式策略和基于最小成本最大流（MCMF）的模型来求解用户-商品最优匹配问题，其准确率性能甚至优于常规推荐环境下的基线算法，并与基线算法的最新改进相一致.更重要的是，我们基于MCMF的策略是无参数的，而那些同行的算法必须诉诸参数遍历过程，以达到最佳的性能。
2021-10-21 cs.IR cs.SI
Fairness for niche users and providers: algorithmic choice and profile portability
Department of Information Science, University of Colorado, Boulder（信息科学系，科罗拉多大学，伯尔德）；Department of Computer Science, University of Colorado, Boulder（计算机科学系，科罗拉多大学，伯尔德）
本文通过模拟研究推荐生态中算法与平台解耦后的算法选择，并考察用户个人资料可移植性政策如何影响小众消费者与提供者的公平性。
2025-08-28 cs.AI cs.HC cs.IR
Simpson's Paradox in Recommender Fairness: Reconciling differences between per-user and aggregated evaluations
近年来，有一系列关于排名和推荐系统中公平性概念的研究，特别是关于如何评估推荐系统是否在相关项目组之间平等分配曝光（也称为提供者公平性）。虽然这项研究奠定了一个重要的基础，但它产生了不同的方法，这取决于相关项目是按用户/按查询进行比较还是跨用户进行聚合。尽管这两个概念都是既定的和直观的，但我们发现这两个概念可以导致相反的结论，这是辛普森悖论的一种形式。我们调和这些概念，并表明，紧张局势是由于项目相关的用户分布的差异，并打破了用户的建议的重要因素。基于这种新的理解，从业者可能会对这两个概念感兴趣，但由于相关性和用户满意度的部分可观察性，可能会面临每用户度量的挑战，这在现实世界中是典型的。我们描述了一种基于分布匹配的技术来估计它在这样的情况下。我们在模拟和真实世界的推荐数据上证明了这种方法的有效性和实用性。
2022-10-14 cs.AI cs.IR cs.LG
Scalable and Provably Fair Exposure Control for Large-Scale Recommender Systems
针对大规模推荐系统中曝光公平控制计算效率低的问题，本文提出基于iALS的曝光感知ADMM方法exADMM，通过解决公平正则化破坏子问题可分离性的挑战，实现可扩展且可证明收敛的公平曝光控制。
2024-02-22 cs.IR
Unfair Exposure of Artists in Music Recommendation
机器学习中的公平性已经被许多研究者所研究。特别是，在推荐系统的公平性进行了调查，以确保建议符合某些标准，就某些敏感的功能，如种族，性别等，但是，往往推荐系统是多利益相关者的环境中，对所有利益相关者的公平性应该得到照顾。众所周知，推荐算法存在受欢迎程度偏差;很少有受欢迎的项目被过度推荐，这导致大多数其他项目没有得到相应的关注。这种偏见已经从用户的角度进行了调查，以及它如何使最终的建议倾向于流行的项目一般。然而，在本文中，我们调查的影响，在推荐算法中的流行偏见的项目的提供者（即实体背后的推荐项目）。使用音乐数据集进行实验，我们表明，由于算法中的一些偏见，不同受欢迎程度的艺术家群体受到系统性和一致性的不同对待。
2020-03-25 cs.IR
Holistic Collaborative Privacy Framework for Users' Privacy in Social Recommender Service
现有推荐服务的当前商业模型围绕用户的个人数据在他们身边的可用性，而消费者必须相信推荐服务提供商不会以恶意的方式使用他们的数据。随着侵犯隐私的案件越来越多，不同国家和公司都颁布了隐私法律和法规，以确定保护个人信息的最佳做法。数据保护第95/46/EC号指令和经济合作与发展组织（经合组织）制定的隐私原则就是这种监管框架的例子。在本文中，我们断言，利用第三方推荐服务来生成准确的推荐是可行的，同时保护用户的敏感信息的隐私，这些信息将仅驻留在他/她自己的设备上的清晰形式上。因此，受益于第三方推荐服务的每个用户将对从他/她自己的偏好中释放的内容具有绝对控制权。我们提出了一个协同隐私中间件，执行一个分布式数据汇集协议内的两个阶段的隐藏过程，以达到这一要求。此外，所提出的解决方案以自然和功能的方式符合公平信息实践的常见隐私监管框架之一-即经合组织隐私原则。本文提出的方法很容易集成到当前的业务模型，因为它是使用一个中间件，运行在最终用户端，并利用社会性质的内容分发服务，实现拓扑数据汇集协议。
2014-11-13 cs.CR cs.IR
Multi-Task Learning For Reduced Popularity Bias In Multi-Territory Video Recommendations
Amazon Prime Video（亚马逊Prime Video）
针对多地区推荐系统的全球物品流行度偏差问题，提出结合自适应上采样的多任务学习框架，学习地域化用户嵌入，在多地区实验中PR-AUC最高提升65.27%，有效缓解偏差。
2023-09-25 cs.IR cs.LG
Consumer-side Fairness in Recommender Systems: A Systematic Survey of Methods and Evaluation
Norwegian University of Science and Technology（挪威科技大学）
本文系统综述了推荐系统中消费者侧公平性的研究，提出基于高层次公平性解释的新型分类法，对现有方法和评估指标进行分类，并展望未来研究方向。
2023-05-16 cs.AI cs.CY cs.IR
Towards Individual and Multistakeholder Fairness in Tourism Recommender Systems
本文总结旅游推荐系统中个体与多利益相关者公平性的综述，探讨独特挑战、跨领域策略及S-Fairness的适用性，以提升旅游推荐公平性。
2023-09-05 cs.HC cs.IR
Recommending With, Not For: Co-Designing Recommender Systems for Social Good
本文主张面向社会公益的推荐系统应通过参与式民主过程与利益相关者共同设计，而非仅由设计师主导，以确保系统真正服务于社会目标。
2025-08-05 cs.CY cs.HC cs.IR
Considering user dynamic preferences for mitigating negative effects of long tail in recommender systems
现今，随着网络空间中产生的信息量的增加，许多网络服务提供商试图使用推荐系统来个性化他们的服务，并使访问内容变得方便。推荐系统只试图增加准确性（即，项目与用户兴趣的相似性）将面临长尾问题。这意味着被称为短头的流行项目比其他项目更容易出现在推荐列表中，因为它们有许多评级。然而，不受欢迎的项目称为长尾项目使用较少，因为它们降低了准确性。其他解决长尾问题的研究认为用户的兴趣是恒定的，而他们的偏好会随着时间的推移而变化。我们建议在推荐列表中使用长尾项时，应该考虑用户的动态偏好，以防止准确性的损失。本研究发现，造成这一现象的两个原因在于：1）随着时间的推移，用户对热门和冷门条目的评分比例不同。2)所有年龄段的用户对流行和不流行的项目都有不同的兴趣。因此，随着时间的推移，可以创建具有不同部分的长尾项和短头项的推荐列表。此外，我们根据项目评分预测用户的年龄，以使用更多的长尾项目。实验结果表明，综合考虑这两个因素，推荐列表的准确率达到91%。与此同时，长尾问题比其他相关研究得到了更好的改善，从长远来看，推荐列表具有更好的多样性。
2021-12-04 cs.HC cs.IR
De-centering the (Traditional) User: Multistakeholder Evaluation of Recommender Systems
Department of Information Science, University of Colorado（信息科学系，科罗拉多大学）；Department of Information and Decision Sciences, University of Minnesota（信息与决策科学系，明尼苏达大学）；IT University of Copenhagen（哥本哈根IT大学）；Polytechnic University of Bari（巴里理工学院）；Know Center Research GmbH & Graz University of Technology（Know Center Research GmbH及格拉茨技术大学）；CD Lab for Recommender Systems, TU Wien（推荐系统CD实验室，维也纳技术大学）；Norwegian University of Science and Technology（挪威科学与技术大学）；TU Delft（代尔夫特理工大学）；Maastricht University（马斯特里赫特大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文聚焦推荐系统的多利益相关者评估挑战，涵盖利益相关者范围、价值观与目标，探讨从理论到实践的转化，并提供用例及开放研究方向，旨在指导相关应用的设计与开发。
2025-04-22 cs.IR cs.LG
A Survey on Popularity Bias in Recommender Systems
MediaFutures: Research Centre for Responsible Media Technology & Innovation, University of Bergen（MediaFutures：负责任媒体技术与创新研究中心，卑尔根大学）；AAU Klagenfurt（克拉根福应用科技大学（AAU））
本文综述了推荐系统中流行度偏差的成因、检测与量化指标及缓解方法，并批判性地指出当前研究过度依赖计算实验和特定假设。
2024-07-02 cs.AI cs.IR cs.LG
Intent Disentanglement and Feature Self-supervision for Novel Recommendation
推荐系统中的一个关键特性是用户-项目交互中的长尾分布，其中大多数项目只有很少的用户反馈。改进尾项推荐可以提高推荐的新颖性，并给用户和提供者带来积极的影响，因此是推荐系统的一个理想属性。现有的推荐研究过于强调尾项的重要性，而没有区分用户对受欢迎程度的意图，往往导致准确率急剧下降。此外，现有的方法都没有采取尾项的极端情况，即，冷启动项目没有任何相互作用，考虑。在这项工作中，我们首先披露的机制，推动用户的互动对流行或利基项目解开她的意图成一致性的影响（流行）和个人利益（偏好）。然后，我们提出了一个统一的端到端的框架，同时优化准确性和新颖性目标的基础上解开的流行和偏好的意图。我们进一步开发了一个新的范例，利用自监督学习技术的合作功能和内容功能之间的相关性，新的推荐冷启动项目。我们在三个真实世界的数据集上进行了广泛的实验结果。结果表明，我们提出的模型在准确性，新颖性，覆盖范围和权衡方面比最先进的基线有了显着的改进。
2021-06-28 cs.IR
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
University College London（伦敦大学学院）；Polytechnic University of Bari（巴里理工大学）；University of Guilan（吉兰大学）；University of Southern California（南加州大学）
兴趣点（POI）推荐系统为用户提供个性化推荐，帮助企业吸引潜在客户。尽管它们取得了成功，但最近的研究表明，高度数据驱动的建议可能会受到数据偏见的影响，导致对不同利益相关者（主要是消费者（用户）和提供者（物品））的不公平结果。现有的推荐系统中与公平性相关的研究大多将用户公平性和项目公平性问题分开处理，而忽略了推荐系统是在双边市场中工作的。本文研究了（i）活跃用户的不公平性，（ii）热门项目的不公平性，（iii）推荐的准确性（个性化）之间的相互作用，作为我们的研究三角形的三个角度。我们将用户分为弱势和弱势级别，以根据他们的活动水平来衡量用户公平性。对于项目公平性，我们将项目分为短头、中尾和长尾组，并研究这些项目组在用户的top-k推荐列表中的曝光度。对通常用于POI推荐的八种不同推荐模型（例如，在两个公开可用的POI推荐数据集Gowalla和Yelp上的上下文（CF）表明，大多数表现良好的模型严重遭受流行偏见的不公平性（提供商不公平性）。此外，我们的研究表明，大多数推荐模型不能同时满足消费者和生产者的公平性，这表明这些变量之间的权衡可能是由于数据中的自然偏差。我们选择POI建议作为我们的测试场景;然而，这些见解应该可以在其他领域进行简单的扩展。
2022-04-08 cs.AI cs.IR
Solving the Cold Start Problem on One's Own as an End User via Preference Transfer
National Institute of Informatics（日本信息处理学会）
针对服务提供商不处理冷启动时用户无法改善推荐的问题，本文提出可由终端用户独立部署的 Pretender 算法，通过最小化源与目标分布距离迁移偏好并优化物品选择，且提供理论保证与实验验证。
2025-09-30 cs.AI cs.IR cs.LG
Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Calgary（卡尔加里大学）
本研究对伊朗约70个网站的大规模推荐系统进行离线与在线评估，比较基于内容、协同过滤、趋势及混合方法，并分析冷启动与流行度偏差。
2024-11-02 cs.AI cs.CL cs.IR
A Comprehensive Survey on Automated Machine Learning for Recommendations
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；City University of Hong Kong（香港城市大学）；The Hong Kong Polytechnic University（香港理工大学）
深度推荐系统（DRS）对于当前的商业在线服务提供商至关重要，其通过推荐针对用户的兴趣和偏好定制的项目来解决信息过载的问题。它们具有前所未有的特征表示效率和建模用户和项目之间的非线性关系的能力。尽管DRS模型取得了进步，但与其他深度学习模型一样，DRS模型采用复杂的神经网络架构和其他重要组件，这些组件通常由人类专家设计和调整。本文将全面总结用于开发DRS模型的自动机器学习（AutoML）。我们首先概述了DRS模型的AutoML及其相关技术。然后讨论了自动推荐系统中特征选择、特征嵌入、特征交互和模型训练的自动化方法，指出现有的基于自动推荐系统的推荐系统正在向具有抽象搜索空间和高效搜索算法的多成分联合搜索方向发展。最后，我们讨论了有吸引力的研究方向，并总结了调查。
2023-02-16 cs.AI cs.IR
