Balancing Fairness and High Match Rates in Reciprocal Recommender Systems: A Nash Social Welfare Approach
CyberAgent, Inc.(CyberAgent公司);School of Information Science and Technology, The University of Tokyo(东京大学信息理工学院)
本文提出纳什社会福利方法,用于在互惠推荐系统中平衡公平性与高匹配率,通过优化算法和实验验证其有效性。
2026-01-20 cs.IR
How Bad is Top-$K$ Recommendation under Competing Content Creators?
University of Virginia(弗吉尼亚大学);University of Chicago(芝加哥大学)
该研究针对推荐平台上内容创作者竞争影响用户福利的问题,基于top-$K$推荐、随机效用模型和无遗憾学习假设建模,通过无政府状态价格证明用户福利损失存在小常数上界,揭示了相关性驱动推荐的长期内在优势。
2023-05-02 cs.CY cs.GT cs.IR
Beyond Raw Engagement: A Counterfactual Observability Framework for Recommender Systems at Netflix
Netflix(奈飞)
针对推荐系统性能难以归因的问题,提出反事实可观测性框架,通过估计无干预时的结果,为内容创作者和模型开发者提供偏差减少、相对性和增量性测量,已在Netflix多系统部署验证。
2026-09-22 cs.AI cs.IR
Learning Dynamics of Strategic Publishers in Generative AI Ecosystems
Technion - Israel Institute of Technology(以色列理工学院)
研究生成式人工智能生态系统中发布者竞争基于归因的曝光问题,引入博弈论模型,研究战略内容创作者学习动态及生态系统稳定性,通过模拟揭示稳定性、发布者与用户福利间相互作用及权衡。
2026-07-29 cs.GT cs.IR cs.MA
Generative Recommendation: Towards Next-generation Recommender Paradigm
本文提出生成式推荐范式GeneRec,通过AI生成器结合用户指令实现内容生成、重新利用与创建,突破传统检索式推荐的局限,并探讨其可信度、发展路线及应用可行性。
2024-02-25 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
Online Learning in a Creator Economy
University of California, Berkeley(加州大学伯克利分校)
本文将创作者经济建模为用户、平台与创作者的三方博弈,研究平台如何通过在线学习联合优化委托代理合同与推荐系统以最大化效用,并分别给出了基于回报与基于特征的合同的遗憾界。
2023-05-19 cs.CY cs.GT cs.IR
Ranking with Popularity Bias: User Welfare under Self-Amplification Dynamics
Google Research(谷歌研究院);CREST, ENSAE(CREST,ENSAE);George Mason University(乔治梅森大学)
该研究将受流行度、质量与位置偏差影响的推荐建模为非平稳上下文老虎机,分析质量不可识别问题,并提出具备用户福利遗憾保证的乐观探索算法。
2023-11-01 cs.AI cs.IR cs.LG
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
Post-Userist Recommender Systems : A Manifesto
本文提出后用户主义推荐概念,指出在生成式媒体时代,仅关注用户与系统关系的用户主义推荐已等同于个性化媒体生成,因此引入更广泛利益相关者关系的后用户主义推荐是推荐系统研究的唯一前进路径。
2024-10-09 cs.HC cs.IR
Looking for Fairness in Recommender Systems
Department of Computer Science(计算机科学系)
本文探讨了推荐系统中用户、创作者和社会视角的公平性问题,针对“过滤气泡”副作用,提出通过定义多样性性能指标并纳入评估框架来微调系统,以平衡个性化推荐与促进多元文化和观点的社会目标。
2025-07-16 cs.AI cs.IR
Performative Debias with Fair-exposure Optimization Driven by Strategic Agents in Recommender Systems
Tianjin University(天津大学);Lenovo Research(联想研究院);The Hong Kong University of Science and Technology(香港科技大学)
本文针对推荐系统中的数据偏差问题,提出了一种由策略智能体驱动的公平曝光优化重排序方法,通过端到端优化兼顾准确性与公平性,有效提升长尾项目可见性。
2024-06-25 cs.IR cs.LG
RecoWorld: Building Simulated Environments for Agentic Recommender Systems
Meta Platforms, Inc.(Meta平台公司);National University of Singapore(新加坡国立大学);University of Illinois(伊利诺伊大学)
RecoWorld通过双视角架构和多轮强化学习,构建了代理推荐系统的模拟环境,旨在提升用户留存和参与度。
2026-07-28 cs.IR
Deviation-Based Learning: Training Recommender Systems Using Informed User Choice
本文提出了一种新的方法来训练推荐系统称为偏差为基础的学习。推荐者和理性用户具有不同的知识。推荐器通过观察用户在收到推荐时采取的行动来学习用户知识。如果推荐器总是建议一个选择,学习最终会停止:在推荐器完成学习之前,用户开始盲目地遵循推荐,他们的选择并不反映他们的知识。如果推荐者在预测多个选择将产生类似的回报时放弃推荐特定的选择,学习率和社会福利将大大提高。
2022-08-19 cs.IR econ.TH stat.ML
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
Content Exploration Beyond the Feed: Creator Supply and the Shared Corpus
Snap Inc.(Snap公司)
该研究通过短视频平台的四项实验,证实生产探索可提升创作者供给与参与度,测量了三周内的共享语料库流量,并明确了识别语料库总价值的实验设计与时长要求。
2026-09-01 cs.IR cs.LG econ.EM
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
Towards welfare-oriented recommendations in activity-travel behavior
University of Houston(休斯顿大学);New York University(纽约大学)
该研究针对活动-出行行为领域推荐系统忽视用户福利的问题,提出福利导向推荐框架,通过正效用概率、遗憾最小化准则设计算法,经智能体模拟验证,为优化推荐系统提供了实用方案。
2026-08-19 cs.CY cs.IR
Incentivizing High-Quality Content in Online Recommender Systems
University of California, Berkeley(加州大学伯克利分校)
本研究针对在线推荐系统中标准在线学习算法会激励低质量内容生产的问题,设计了可激励高努力、提升用户福利的学习算法,揭示了算法对内容质量的意外影响并给出缓解方案。
2024-06-21 cs.GT cs.IR cs.LG
Can Users Fix Algorithms? A Game-Theoretic Analysis of Collective Content Amplification in Recommender Systems
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文研究了用户通过集体互动对抗推荐算法的机制,发现集体策略可提升推荐质量和用户福利,同时改善推荐系统自身效益。
2026-02-12 cs.CY cs.GT cs.HC
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功,人们对它们在匹配市场中的使用越来越感兴趣(例如,劳动)。虽然这有可能提高市场的流动性和公平性,但我们在本文中表明,天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中,候选人申请,然后得到雇主的评估,我们提出了一个新的推荐框架来模拟这种互动机制,并提出了有效的算法计算个性化的排名在这种情况下。我们发现,最佳排名不仅需要考虑候选人和雇主的潜在不同偏好,而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数(例如,单侧或互反相关性)是非常次优的--不仅对于个人用户,而且对于社会目标(例如,低失业率)。为了解决这个缺点,我们提出了第一种方法,用于联合优化市场上所有候选人的排名,以显式地最大化社会福利。除了理论推导,我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统,我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
Addressing Confounding Feature Issue for Causal Recommendation
在推荐系统中,某些特征直接影响交互是否发生,使得发生的交互不一定代表用户的偏好。例如,短视频客观上更容易完成,即使用户不喜欢该视频。我们称这种特征为混杂特征,而视频长度是视频推荐中的一个混杂特征。如果我们像大多数数据驱动的推荐系统一样,在这样的交互数据上拟合一个模型,模型将偏向于推荐更多的短视频,偏离用户的实际需求。这项工作从因果关系的角度阐述和解决问题。假设存在影响混淆特征和其他项目特征的一些因素,例如,视频创建者,我们发现混淆功能打开了用户项匹配背后的后门路径,并引入了虚假的相关性。为了消除后门路径的影响,我们提出了一个名为Deconfounding因果推荐(DCR)的框架,它使用do-calculus进行干预推理。然而,评估do演算需要对混杂特征的所有可能值的预测求和,这显著增加了时间成本。为了解决效率的挑战,我们进一步提出了一个混合专家模型(MoE)模型架构,建模与一个单独的专家模块的混淆功能的每个值。通过这种方式,我们保留了模型的表现力,很少的额外成本。我们在神经因子分解机(NFM)的主干模型上演示了DCR,表明DCR可以以较小的推理时间成本更准确地预测用户偏好。
2022-08-26 cs.IR
Two-sided fairness in rankings via Lorenz dominance
Facebook AI;LAMSADE, Université PSL, Université Paris Dauphine, CNRS(LAMSADE,巴黎PSL大学,巴黎多芬大学,法国国家科学研究中心)
我们考虑的问题,产生的排名是公平的用户和项目生产者在推荐系统。我们讨论了两个通常的建议(例如,音乐或电影)和相互推荐(例如,约会)。遵循福利经济学中的分配正义概念,我们的公平概念旨在增加最贫困个体的效用,我们使用洛伦兹效率标准将其形式化。它保证排名是帕累托有效的,并且在给定的总体效用水平上,它们最大限度地将效用从较好的重新分配到较差的。我们建议通过最大化凹福利函数来生成排名,并基于Frank-Wolfe算法开发了一个高效的推理过程。我们证明,与现有的方法基于公平性约束,我们的方法总是产生公平的排名。我们的实验还表明,就整体效用而言,它以较低的成本增加了境况较差者的效用。
2021-10-28 cs.AI cs.CY cs.IR
Optimizing generalized Gini indices for fairness in rankings
Meta AI Research(元人工智能研究院);LAMSADE, Université Paris Dauphine-PSL(巴黎多芬大学-PSL LAMSADE实验室)
人们越来越感兴趣的是设计推荐系统,旨在公平对待项目生产者或他们最不满意的用户。受经济学中不平等度量领域的启发,本文探讨了使用广义基尼福利函数(GGF)作为一种手段来指定推荐系统应该优化的规范标准。GGF根据个人在人口中的地位来衡量个人的权重,给予境况更差的个人更大的权重,以促进平等。根据这些权重,GGF最小化项目暴露的基尼指数,以促进项目之间的平等,或专注于最不满意的用户的特定分位数的性能。用于排名的GGF具有挑战性,因为它们是不可微的。我们解决这个挑战,利用工具,从非光滑优化和投影算子中使用的微分排序。我们使用真实数据集进行了实验,其中包含多达15k个用户和项目,这表明我们的方法在各种推荐任务和公平性标准上获得了比基线更好的权衡。
2023-03-28 cs.AI cs.CY cs.IR
Exploring Author Gender in Book Rating and Recommendation
协同过滤算法在评级和消费数据中发现有用的模式,并利用这些模式来引导用户选择好的项目。评级数据集中的许多模式反映了数据中不同用户和项目之间的重要现实差异;其他模式可能与社会或道德原因无关或可能不受欢迎,特别是如果它们反映了不受欢迎的歧视,例如出版或购买时对女性或少数民族作者的歧视。在这项工作中,我们研究了协同过滤推荐算法的响应,他们的输入数据的分布方面的社会关注的一个方面,即内容创建者的性别。使用公开的图书评级数据,我们测量了用户评级配置文件和推荐列表中图书作者的性别分布。我们发现,常见的协同过滤算法不同的性别分布的推荐列表,并在输出分布的关系,用户简档分布。
2020-07-25 cs.HC cs.IR
SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations
Meta Platforms, Inc.(Meta平台公司)
针对视频推荐中新物品冷启动分发难题,提出两阶段检索框架SocRipple,结合创作者社交连接与KNN搜索扩散,在维持用户参与率的同时将冷启动物品分发量提升36%。
2025-08-10 cs.AI cs.IR