User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析，结合活动、多样性与公平性指标及滚动窗口协同过滤训练，揭示用户与推荐系统行为随时间的演变，并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
User Fairness in Recommender Systems
推荐系统中最近的工作集中在推荐的多样性作为推荐质量的一个重要方面。在这项工作中，我们认为，后处理算法的目的只是提高多样性的建议导致歧视的用户之间。我们引入了用户公平性的概念，这在文献中被忽视了，到目前为止，并提出了措施来量化它。我们的实验上的两个多样化算法表明，增加聚合多样性的结果在用户之间的差距增加。
2018-07-17 cs.CY cs.IR
Fairness and Diversity in the Recommendation and Ranking of Participatory Media Content
使得用户之间能够进行一对多通信的在线参与式媒体平台看到大量的用户生成的内容，并且因此面临能够向其用户推荐该内容的子集的问题。我们解决了推荐和排名这些内容的问题，这样关于一个主题的不同观点就可以以公平和多样化的方式曝光。我们建立我们的模型的背景下，基于语音的参与式媒体平台运行在印度中部农村，为低收入和识字率较低的社区，播放音频信息的排名列表中的用户通过电话，并允许他们贡献自己的消息。在本文中，我们描述了我们的模型，并使用来自平台的呼叫日志对其进行评估，以比较我们的模型与目前遵循的手动编辑过程的公平性和多样性性能。我们的模型是通用的，也可以调整和应用于其他参与式媒体平台。
2019-07-16 cs.IR cs.SI
Multidimensional Fairness in Paper Recommendation
针对论文推荐算法中的隐性偏见问题，提出三种同时兼顾多维度作者人口特征的公平推荐方法，实验证明其能在基本不降低效用的前提下显著提升多样性，可推广至多类学术遴选场景。
2023-05-02 cs.IR
Facets of Fairness in Search and Recommendation
最近的几项工作突出了搜索和推荐系统如何沿着不同的维度表现出偏见。抵制这种偏见并在搜索中引入一定程度的公平性，不仅对于创造一个考虑相关性和多样性的更平衡的环境至关重要，而且对于为内容消费者和内容生产者提供一个更可持续的前进方向也至关重要。这篇简短的论文探讨了最近的一些作品，以定义相关性，多样性和相关概念。然后，它着重于解释在各种推荐设置中新兴的公平性概念。在这样做的时候，本文提出了比较，并强调各种措施之间的合同，在我们的概念和评估框架的差距。
2020-07-16 cs.CY cs.IR
FairDiverse: A Comprehensive Toolkit for Fair and Diverse Information Retrieval Algorithms
针对信息检索中公平与多样性算法因测试不一致难以直接比较的问题，提出开源标准化工具包FairDiverse，支持多阶段方法整合、跨任务标准化评估及快速模型开发，建立综合基准以促进公平比较。
2025-02-17 cs.IR
Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation
针对下一购物篮推荐中的重复偏差，本文提出模型无关的后处理优化算法，在提升多样性与商品公平性的同时缓解重复推荐，并在三个真实数据集上验证有效。
2025-01-10 cs.IR
Modeling Ranking Properties with In-Context Learning
Centre for Computational School of Computing Science and Data Sciences University of Glasgow（格拉斯哥大学计算科学与数据科学中心）；IIT Kharagpur, India（印度理工学院坎普尔分校）；School of Computing Science Department of Computer University of Glasgow Science and Engineering United Kingdom（格拉斯哥大学计算机科学与工程学院）
本研究提出用于列表式LLM重排序器的ICL方法，无需特定任务训练，通过少量示例排序平衡排序目标，在保持相关性的同时，在公平性和多样性等辅助目标上取得显著提升。
2026-09-01 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
Process-Supervised LLM Recommenders via Flow-guided Tuning
提出Flower，用GFlowNet的token级奖励传播替代SFT，以缓解LLM推荐中的流行度偏差，并提升准确性、公平性与多样性。
2025-05-12 cs.IR
FAIR: Fairness-Aware Information Retrieval Evaluation
随着为搜索和推荐系统创建公平意识解决方案的需求不断涌现，评估此类解决方案存在着令人生畏的挑战。虽然许多传统的信息检索（IR）的指标可以捕捉的相关性，多样性和新颖性的效用相对于用户，他们不适合推断是否呈现的结果是公平的负责任的信息曝光的角度来看。另一方面，现有的公平性指标不考虑用户效用或不充分衡量它。为了解决这个问题，我们提出了一个新的度量称为公平。通过将标准IR指标和公平性度量统一到一个综合指标中，该指标为评估公平性感知的排名结果提供了一个新的视角。基于此度量，我们开发了一个有效的排名算法，联合优化用户效用和公平性。实验结果表明，我们的FAIR指标可以突出具有良好的用户效用和公平的信息暴露的结果。我们展示了FAIR如何与一组现有的效用和公平性度量相关，并证明了我们基于FAIR的算法的有效性。我们相信，我们的工作开辟了一个新的方向，追求一个衡量标准，评估和实施公平的制度。
2022-03-29 cs.IR
Provider Fairness and Beyond-Accuracy Trade-offs in Recommender Systems
本文提出一种后处理重排序模型以提升推荐系统中提供者公平性，同时在多数据集和模型上评估其对准确性与超越准确性指标的影响及权衡。
2023-09-08 cs.IR
FairMatch: A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems
推荐系统往往偏向于流行的项目。换句话说，很少有项目经常被推荐，而大多数项目没有得到适当的关注。这导致推荐列表中的项目在用户之间的覆盖率较低（即聚合多样性较低）以及推荐项目的不公平分布。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为一个后处理的方法后，推荐生成，以提高聚合多样性。该算法迭代地找到很少推荐但质量高的项目，并将其添加到用户的最终推荐列表中。这是通过解决推荐二分图上的最大流问题来完成的。虽然我们专注于聚合多样性和公平分配的推荐项目，该算法可以适用于其他推荐方案使用不同的底层定义的公平性。在两个数据集上进行的一组全面的实验以及与最先进的基线的比较表明，FairMatch在显着提高聚合多样性的同时，提供了相当的推荐准确性。
2020-05-03 cs.IR
A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern University（西北大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
公平性是推荐系统中一个重要的系统级目标，是最近广泛研究的主题。公平性的一种具体形式是供应商暴露公平性，其目标是确保在向用户提供的建议中公平地覆盖所有供应商的项目。这在多利益相关者推荐场景中尤其重要，在这些场景中，不仅为最终用户优化效用，而且为其他利益相关者（例如希望公平表示其物品的物品销售商或生产商）优化效用也很重要。这种类型的供应商公平性有时是通过尝试增加聚合多样性来实现的，以减轻受欢迎的偏见，并提高推荐中长尾项目的覆盖率。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为推荐生成后的后处理方法，以提高项目和供应商的曝光公平性。该算法迭代地将具有低可见性的高质量项目或来自具有低曝光度的供应商的项目添加到用户的最终推荐列表。在两个数据集上进行的一组全面的实验以及与最先进基线的比较表明，FairMatch在显着提高曝光公平性和总体多样性的同时，保持了可接受的建议相关性水平。
2021-07-07 cs.AI cs.IR
Counterfactual Explanation for Fairness in Recommendation
本文提出CFairER模型，利用异质信息网络和离策略强化学习生成属性级反事实解释，通过注意力动作剪枝缩小搜索空间，在保持推荐性能的同时实现公平性诊断。
2023-07-10 cs.IR
Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
针对大语言模型推荐（RecLLM）可能存在的偏见，提出公平性基准 FaiRLLM，包含精心设计的指标和涵盖8个敏感属性的数据集，评估发现 ChatGPT 在推荐中仍存在不公平现象。
2026-06-15 cs.CL cs.CY cs.IR
Track2Vec: fairness music recommendation with a GPU-free customizable-driven framework
National Yang Ming Chiao Tung University（国立阳明交通大学）
推荐系统已经说明了在基于用户过去的行为来描述用户偏好方面所取得的重大进展。尽管准确推荐的有效性，但存在几个因素对于评估推荐系统的各个方面来说是必不可少的，但尚未探索，例如，公平性、多样性和有限的资源。为了解决这些问题，我们提出了Track 2 Vec，一个免费的GPU可定制驱动的公平音乐推荐框架。为了兼顾准确性和公平性，我们的解决方案由三个模块组成，一个定制的公平性感知组，用于根据可配置的设置建模不同的功能，一个跟踪表示学习模块，用于学习更好的用户嵌入，和一个集成模块，用于排名不同的跟踪表示学习模块的推荐结果。此外，受自然语言处理中广泛使用的TF-IDF的启发，我们引入了一个称为Miss Rate - Inverse Ground Truth Frequency（MR-ITF）的度量来衡量公平性。大量的实验表明，我们的模型在EvalRS @ CIKM 2022挑战赛的排行榜上在无GPU环境中获得了第四名的价格排名，就官方分数而言，这比官方基线高出约200%。此外，消融研究表明，有必要将每组进行整合，以获得准确和公平的建议。
2022-10-29 cs.IR cs.LG
iFair: Learning Individually Fair Data Representations for Algorithmic Decision Making
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
在越来越多的应用程序中，人们通常基于机器学习进行评分和排名，以进行算法决策。关于如何将公平纳入这些任务的研究，首先是追求群体公平的范式：给予特别受保护的群体足够的成功率。相比之下，个人公平的替代范式受到的关注相对较少，本文提出了这一较少探索的方向。本文介绍了一种方法，概率映射到一个低等级的表示，调和个人的公平性和效用的分类器和排名在下游应用程序的用户记录。我们的个人公平概念要求在所有任务相关属性（如工作资格）方面相似的用户，并且忽略所有潜在的歧视属性（如性别），应该有相似的结果。我们通过将其应用于各种真实数据集上的分类和学习排名任务来展示我们方法的多功能性。我们的实验表明，在此设置的最佳先前的工作有很大的改进。
2019-02-06 cs.IR cs.LG stat.ML
Alleviating User-Sensitive bias with Fair Generative Sequential Recommendation Model
School of Information Management Nanjing University（信息管理学院 南京大学）
本文提出基于扩散模型的公平生成式序列推荐模型FairGENRec，通过在训练阶段注入随机噪声与消除敏感特征偏差的多兴趣表示，并在推理阶段反向重构目标物品，实现了推荐准确性与公平性的双重提升。
2025-07-15 cs.AI cs.IR
User-item fairness tradeoffs in recommendations
本文构建用户与物品公平性联合优化模型，刻画公平约束下的最优权衡，并通过 arXiv 预印本推荐原型验证多样偏好带来“免费”公平及偏好误估用户受损等现象。
2024-12-05 cs.CY cs.IR
Measuring Commonality in Recommendation of Cultural Content: Recommender Systems to Enhance Cultural Citizenship
推荐系统已成为文化内容策划的主要手段，显著影响个人文化体验的性质。虽然大多数关于推荐系统的研究都是针对个性化用户体验进行优化，但这种模式并没有捕捉到推荐系统在总体上、在用户群体中影响文化体验的方式。尽管现有的新颖性、多样性和公平性研究探讨了系统如何与文化内容的更广泛的社会作用相关联，但它们并没有充分地将文化作为核心概念和挑战。在这项工作中，我们引入共性作为一个新的措施，反映了在何种程度上推荐熟悉特定类别的文化内容的用户群体。我们提出的共性度量响应一组参数开发通过跨学科的对话研究人员在计算机科学和社会科学和人文科学。参考的原则，支持非营利，公共服务媒体系统在民主社会中，我们确定的地址和内容多样性的普遍性，在加强文化公民的服务，特别是相关的目标，推荐系统提供文化内容。以电影推荐中的多样性为案例研究，在增强多元文化体验，我们实证比较系统的性能使用共性和现有的效用，多样性和公平性指标。我们的研究结果表明，共性捕获系统行为的属性补充现有的指标，并建议需要替代的，非个性化的干预措施，在推荐系统面向加强跨人群的用户的文化公民身份。通过这种方式，共性有助于越来越多的学术机构为数字媒体和ML系统开发“公共利益”理论。
2022-08-02 cs.CY cs.IR
Fair and Diverse DPP-based Data Summarization
Microsoft Research, India（微软研究院印度分院）；UC Berkeley（加州大学伯克利分校）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
选择与特征空间中的多样性成比例的数据子集的采样方法对于数据摘要是流行的。然而，最近的研究已经注意到在这种数据汇总方法中发生的偏差（某种性别或种族的代表性不足或过高）。在本文中，我们开始研究输出一个给定的数据集的多样性和公平的摘要的问题。我们工作的多样性和相应的分布（DPPs）的一个良好的研究决定性的措施，并提出了一个框架，使我们能够将一般类的公平性约束到这样的分布。提出有效的算法来从这些受约束的行列式分布中进行采样，但是，受到复杂性障碍的影响，我们提出了一个快速采样器，当输入向量满足自然属性时，它可以证明是好的。我们在真实世界和图像数据集上的实验结果表明，通过添加公平性约束产生的样本的多样性与无约束的情况相差不远，我们也提供了一个理论解释。
2018-02-12 cs.CY cs.IR cs.LG
Modeling User Exploration Saturation: When Recommender Systems Should Stop Pushing Novelty
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Kansas State University（堪萨斯州立大学）
研究探讨了用户依赖的探索饱和现象，分析了增加探索对不同推荐模型用户的影响，发现公平性驱动的探索存在边际效益递减，需调整推荐系统以平衡公平与用户体验。
2026-04-02 cs.AI cs.IR cs.LG
Why Multi-Interest Fairness Matters: Hypergraph Contrastive Multi-Interest Learning for Fair Conversational Recommender System
Nanyang Technological University（南洋理工大学）；Digital Trust Centre Singapore（新加坡数字信任中心）；Sun Yat-sen University（中山大学）；South China Agricultural University（华南农业大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出HyFairCRS框架，通过超图对比多兴趣学习在动态对话推荐系统中同时提升多兴趣多样性公平与推荐性能，并在两个CRS数据集上验证其有效缓解不公平性且达到最先进水平。
2025-07-01 cs.CL cs.IR cs.MM
