Towards Long-term Fairness in Recommendation
随着推荐系统对人们生活的影响越来越大，推荐的公平性问题也越来越重要。现有的公平性推荐方法大多数都是静态或一次性的，其中受保护的项目组是固定的，该模型提供了一个基于公平性约束优化的一次性公平性解决方案。这没有考虑推荐系统的动态性质，其中诸如项目流行度之类的属性可能由于推荐策略和用户参与而随着时间而改变。例如，曾经流行的产品可能不再流行，反之亦然。因此，旨在保持不同流行度组中的项目曝光的长期公平性的系统必须及时地适应这种变化。新颖的这项工作，我们探讨了长期的公平性推荐的问题，并通过动态公平性学习来完成这个问题。我们关注的是项目在不同群体中曝光的公平性，而群体的划分是基于项目的受欢迎程度，这在推荐过程中会随着时间的推移而动态变化。针对这一问题，提出了一种基于公平性约束的强化学习推荐算法，该算法将推荐问题建模为约束马尔可夫决策过程（CMDP），使得模型能够动态调整推荐策略，以确保在环境变化时始终满足公平性要求.在几个真实数据集上的实验验证了该框架在推荐性能、短期公平性和长期公平性方面的优越性。
2021-01-10 cs.IR
Selective Fairness in Recommendation via Prompts
推荐公平性近来引起了人们的极大关注。在现实系统中，用户通常具有多个敏感属性（例如年龄、性别和职业），并且用户可能不希望他们的推荐结果受到这些属性的影响。此外，这些用户属性中的哪些以及何时应该被考虑在公平性感知建模中应该取决于用户的特定需求。在这项工作中，我们定义了选择性的公平性任务，用户可以灵活地选择哪些敏感属性的推荐模型是无偏的。我们提出了一种新的参数有效的基于偏好的公平性感知推荐（PFRec）框架，它依赖于属性特定的基于偏好的偏见消除器与对抗训练，使选择性公平性与不同的属性组合的顺序推荐。任务特定和用户特定的提示都被考虑。我们进行了广泛的评估，以验证PFRec的选择性公平的优越性。源代码在\url{https://github.com/wyqing20/PFRec}中发布。
2022-07-05 cs.IR
Multi-stakeholder Recommendation and its Connection to Multi-sided Fairness
推荐作为一个多利益相关者的问题，应该考虑多方的利益，有越来越多的研究兴趣。这一类别包含了一些现有的推荐研究领域，包括互惠和群体推荐，但仍然缺乏对不同类别的多利益相关者推荐系统的详细分类。公平感知推荐也逐渐成为一个研究领域，但其与多利益相关者推荐的密切联系并不总是被认识到。在本文中，我们定义了最常见的多利益相关者推荐系统的类，并讨论了不同的公平性问题可能会在这样的系统中发挥作用。
2019-07-30 cs.IR
RRCN: A Reinforced Random Convolutional Network based Reciprocal Recommendation Approach for Online Dating
Harbin Institute of Technology, ShenZhen（哈尔滨工业大学（深圳））；University of New South Wales（新南威尔士大学）；Peng Cheng Laboratory（鹏城实验室）
近年来，交互推荐，特别是在线约会应用程序中的交互推荐，引起了越来越多的研究关注。与传统的推荐问题不同，互惠推荐的目标是同时最好地匹配用户的相互偏好。直觉上，相互偏好可能会受到用户喜欢或不喜欢的一些关键属性的影响。同时，用户属性与其关键属性之间的相互作用对于关键属性的选择也是非常重要的。受这些观察的启发，在本文中，我们提出了一种新的增强随机卷积网络（RRCN）方法用于互惠推荐任务。特别是，我们在技术上提出了一种新的随机CNN组件，可以随机卷积非相邻特征以捕获它们的交互信息，并学习关键属性的特征嵌入以进行最终推荐。此外，我们设计了一种基于强化学习的策略，与随机CNN组件集成，以选择显著属性，形成关键属性的候选集。我们评估了建议RRCN对一些基线和国家的最先进的方法在两个真实世界的数据集，和有希望的结果已经证明了RRCN的优越性，对比较的方法在一些评估标准。
2020-11-25 cs.AI cs.IR
User recommendation in reciprocal and bipartite social networks -- a case study of online dating
我们日常生活中的许多社交网络都是建立在互惠基础上的双边网络。我们如何向用户推荐用户/朋友，让用户对推荐的用户感兴趣并产生吸引力？在本研究中，我们提出了一个新的协同过滤模型，以提高用户推荐在互惠和双向社交网络。该模型考虑了用户在挑选他人时的“品味”和被他人挑选时的“吸引力”。一个在线交友网络的案例研究表明，新模型在推荐初始联系人和互惠联系人方面都具有良好的性能。
2014-02-20 cs.IR cs.SI physics.soc-ph
ProFairRec: Provider Fairness-aware News Recommendation
新闻推荐旨在帮助在线新闻平台用户找到自己喜欢的新闻文章。现有的新闻推荐方法通常从用户对新闻的历史行为中学习模型。然而，这些行为通常对新闻提供者有偏见。在有偏见的用户数据上训练的模型可能会捕捉甚至放大对新闻提供者的偏见，这对一些少数新闻提供者来说是不公平的。在本文中，我们提出了一个供应商公平意识的新闻推荐框架（命名为ProFairRec），它可以学习新闻推荐模型公平不同的新闻提供商从偏见的用户数据。ProFairRec的核心思想是学习提供者公平的新闻表示和提供者公平的用户表示，以实现提供者公平。为了从有偏见的数据中学习提供者公平的表示，我们采用提供者偏见的表示来从数据中继承提供者偏见。分别从新闻内容和提供商ID学习提供商公平和有偏见的新闻表示，其进一步聚合以基于用户点击历史构建公平和有偏见的用户表示。所有这些表示都用于模型训练，而只有公平表示用于用户-新闻匹配，以实现公平新闻推荐。此外，我们提出了一个对抗性的学习任务，新闻提供者的歧视，以防止供应商公平的新闻表示编码供应商偏见。我们还提出了一个正交正则化提供者公平和偏见的表示，以更好地减少提供者公平表示的偏见。此外，ProFairRec是一个通用的框架，可以应用于不同的新闻推荐方法。在公开数据集上的大量实验表明，该方法可以有效地提高现有方法的公平性，同时保持推荐的准确性.
2022-04-10 cs.IR
Fairness-Aware Recommendation of Information Curators
本文重点介绍了我们正在努力创建有效的信息策展人推荐模型，可以为个人用户个性化，同时保持重要的公平性。具体地说，我们介绍了信息策展人推荐的问题，提供了一个高层次的公平意识的推荐概述，并介绍了一些初步的实验证据在现实世界的Twitter数据集。最后，我们对未来的方向提出一些想法。
2018-10-03 cs.IR
Providing Explanations for Recommendations in Reciprocal Environments
Bar-Ilan University（巴伊兰大学）；Weizmann Institute of Science（魏茨曼科学研究所）
支持用户找到互利匹配的自动化平台，如在线约会和招聘网站，正变得越来越受欢迎。这些平台通常包括帮助用户找到合适匹配的推荐系统。虽然为他们的推荐提供解释的推荐系统已经显示出许多好处，但解释方法还有待于在推荐合适的匹配中进行调整和测试。在本文中，我们介绍并广泛评估使用“互惠解释”-解释提供推理，为什么双方都有望从比赛中受益。通过广泛的实证评估，在有287名人类参与者的模拟和现实世界约会平台中，我们发现，当接受推荐涉及重大成本时（例如，货币或情感），互惠解释优于仅考虑推荐接收者的标准解释方法。然而，与人们的预期相反，当接受一项建议的成本可以忽略不计时，相互解释的效果不如传统的解释方法。
2018-07-03 cs.AI cs.HC cs.IR
Transferable Fairness for Cold-Start Recommendation
随着推荐系统在日常生活中的应用和影响越来越大，如何实现推荐的公平性成为一个重要的问题。以往的公平性推荐工作主要集中在一个预定义的（通常是热启动）用户集。然而，由于新用户或冷启动用户的交互量不足，推荐系统通常面临更具挑战性的公平性问题。因此，研究训练后的模型是否仍然适用于一组新的冷启动用户是至关重要的。本文考虑的情况下，推荐系统满足新用户只有有限的，甚至没有互动的平台，并旨在提供高质量的和公平的建议，有效地给这样的用户。该算法将来自活跃用户的足够多的交互数据作为源用户域，将来自新用户的交互数据作为目标用户域，并考虑将反事实公平性从源用户转移到目标用户。为此，我们引入了一个框架，以实现可转移的反事实公平的建议。该方法能够将从源用户学习到的公平模型知识传递给目标用户，从而提高推荐性能并保持对目标用户的公平性。在两个具有代表性的推荐算法的真实数据集上的实验表明，该方法不仅提高了对目标用户的公平性，而且在推荐性能方面优于比较模型。
2023-01-25 cs.IR
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
A Survey on the Fairness of Recommender Systems
推荐系统是缓解信息过载的重要工具，在人们的日常生活中扮演着重要的角色。由于建议涉及社会资源的分配（例如，工作推荐），一个重要的问题是推荐是否公平。不公正的推荐不仅不道德，而且损害了推荐人制度本身的长远利益。因此，推荐系统中的公平性问题最近引起了越来越多的关注。然而，由于多个复杂的资源分配过程和各种各样的公平性定义，对推荐中公平性的研究比较分散。为了填补这一空白，我们回顾了在顶级会议/期刊上发表的60多篇论文，包括TOIS，SIGIR和WWW。首先，我们总结了建议中的公平性定义，并提供了几种观点来分类公平性问题。然后，我们回顾了公平性研究中的推荐数据集和测量，并提供了一个详细的分类公平性方法的建议。最后，我们通过概述一些有希望的未来方向来结束这项调查。
2022-06-19 cs.IR
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型，通过公平感知的映射函数和基于影响函数的重加权方法，在跨域推荐中实现用户群体公平，同时保持推荐准确性。
2023-05-15 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为（例如，性别）具有相似的模式，并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差，例如，总是向男性用户推荐体育新闻，这是不公平的，因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法，该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入，捕捉敏感的用户属性上的偏见信息，和其他的目的是学习一个无偏见的用户嵌入，只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外，我们提出将属性预测任务应用于偏差感知的用户嵌入，以增强其偏差建模能力，并且我们将对抗学习应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，我们提出了一种正交正则化方法，以鼓励无偏置用户嵌入正交于有偏置的用户嵌入，以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名，我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明，该方法可以有效地提高新闻推荐的公平性，而性能损失较小。
2021-04-15 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
Aligning Performance with Contribution: Towards Contribution-Aware Fair Recommendation
Shanghai University of Finance and Economics（上海财经大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出贡献-性能公平性及CPFR框架，通过对齐用户贡献与推荐性能，在保持公平的同时激励参与，实验证明其实现了强准确性-公平性权衡。
2026-10-07 cs.IR
Fairness of Exposure in Dynamic Recommendation
本文研究动态推荐中的曝光偏差，指出现有静态缓解方法无法实现长期公平，并提出一种适应动态环境的方法，在真实数据上验证了其长期公平性与准确性优势。
2023-09-05 cs.IR
Improving Recommendation Fairness via Graph Structure and Representation Augmentation
本文提出一种基于双重数据增强的公平推荐框架，通过识别敏感交互与敏感特征生成公平增强图和表示，并结合去偏学习在保持推荐效用的同时提升公平性。
2025-08-27 cs.IR
Robustness in Fairness against Edge-level Perturbations in GNN-based Recommendation
该研究聚焦基于图的推荐系统在边级扰动攻击下的公平性鲁棒性，从消费者与供给侧视角设置四种公平性定义，经三个数据集实验发现扰动对消费者公平性影响更大，指出现有鲁棒性评估协议存在缺陷。
2024-01-26 cs.IR
The Impact of Popularity Bias on Fairness and Calibration in Recommendation
最近，人们对公平性感知推荐系统的兴趣越来越大，包括在不同用户或用户组之间提供一致性能的公平性。如果推荐系统不能公平地代表某组用户的口味，而其他组收到的推荐与他们的偏好一致，那么推荐系统可能被认为是不公平的。在本文中，我们使用一个度量称为误校准测量推荐算法是如何响应用户的真实偏好，我们认为各种算法可能会导致不同程度的误校准。推荐中的一种众所周知的偏见是流行偏见，其中很少有受欢迎的项目在推荐中被过度代表，而大多数其他项目没有得到显着的曝光。我们推测，流行性偏见是一个重要的因素，导致误校准的建议。我们使用两个真实世界数据集的实验结果表明，不同的用户组如何受到算法流行度偏差的影响与他们对流行项目的兴趣水平之间存在很强的相关性。此外，我们表明，具有更大的流行度偏置放大的算法往往有更大的误校准。
2019-10-16 cs.IR
CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework
针对POI推荐中不活跃用户推荐不准、小众POI曝光不足的多视角公平性问题，本文提出纳入供需双方公平性的后过滤方法，实验验证了线性打分模型的平衡效果及公平性权衡对模型与数据集的依赖性。
2024-08-14 cs.IR
FAIR-MATCH: A Multi-Objective Framework for Bias Mitigation in Reciprocal Dating Recommendations
FAIR-MATCH通过多目标优化和公平性算法，提升相亲推荐系统的互惠效果和公平性，减少算法偏见。
2026-01-28 cs.AI cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
The Connection Between Popularity Bias, Calibration, and Fairness in Recommendation
最近，人们越来越关注公平性感知推荐系统，包括在不同用户或用户组之间提供一致性能的公平性。如果推荐系统不能公平地代表某组用户的口味，而其他组收到的推荐与他们的偏好一致，那么推荐系统可能被认为是不公平的。在本文中，我们使用一个度量称为误校准测量推荐算法是如何响应用户的真实偏好，我们考虑如何不同的算法可能会导致不同程度的误校准不同的用户。特别是，我们推测，流行偏见，这是一个众所周知的现象，在推荐是一个重要因素，导致误校准的建议。我们使用两个真实世界数据集的实验结果表明，不同的用户组如何受到算法流行度偏差的影响与他们对流行项目的兴趣水平之间存在联系。此外，我们发现，一个群体受算法流行度偏差的影响越大，他们的推荐就越被错误校准。
2020-08-21 cs.IR
Multi-FR: A Multi-objective Optimization Framework for Multi-stakeholder Fairness-aware Recommendation
如今，大多数在线服务都托管在多利益攸关方市场上，消费者和生产者可能有不同的目标。然而，传统的推荐系统主要关注于通过向每个个体推荐最相关的项目来最大化消费者的满意度。这可能导致项目的不公平暴露，从而损害生产者的利益。此外，他们并不关心来自不同人口群体的消费者是否同样满意。为了解决这些限制，我们提出了一个多目标优化框架的公平意识的建议，多FR，自适应平衡的准确性和公平性与帕累托最优保证的各个利益相关者。首先，我们提出了四个公平约束的消费者和生产者。为了以端到端的方式对整个框架进行训练，我们利用平滑排序和随机排序策略使这些公平性准则可微并且对反向传播友好。然后，我们采用多重梯度下降算法来产生一个Pareto集合的解决方案，从最小痛苦的策略选择最合适的一个。实验结果表明，多FR大大提高了多个利益相关者的最先进的方法，同时保持几乎相同的推荐精度的推荐公平性。培训效率的研究证实了我们的模型的能力，同时优化不同的公平性约束，许多利益相关者有效。
2022-08-09 cs.IR
Toward Pareto Efficient Fairness-Utility Trade-off inRecommendation through Reinforcement Learning
随着推荐系统在日常生活中接触和影响越来越多的人，推荐的公平性问题变得越来越重要。在公平性感知推荐中，大多数现有的算法方法主要旨在通过在优化主要推荐目标的同时对公平性水平施加约束来解决约束优化问题，例如，CTR.虽然这减轻了不公平推荐的影响，但由于公平性和实用性之间固有的权衡，方法的预期回报可能会显着损害推荐准确性。这促使我们处理这些相互冲突的目标，并探索它们之间的最佳权衡推荐。一个突出的方法是寻求一个帕累托有效的解决方案，以保证效用和公平之间的最佳妥协。此外，考虑到现实世界的电子商务平台的需求，如果我们能够概括整个帕累托边界，那么决策者可以根据他们当前的业务需求指定一个目标相对于另一个目标的任何偏好，这将是更可取的。因此，在这项工作中，我们提出了一个公平意识的推荐框架，使用多目标强化学习，称为MoFIR，这是能够学习一个单一的参数表示的最佳推荐策略在所有可能的偏好空间。特别地，我们对传统的DDPG进行了改进，引入了条件网络，它直接根据这些偏好对网络进行条件化，并输出Q值向量。在几个真实世界的推荐数据集上的实验验证了我们的框架在公平性度量和推荐度量方面的优越性。我们还提取了MoFIR生成的真实世界数据集的近似Pareto边界，并与最先进的公平方法进行比较。
2022-01-01 cs.IR
Measuring Fairness in Large-Scale Recommendation Systems with Missing Labels
本文针对大规模推荐系统中标签缺失导致的公平性度量偏差问题，提出利用少量随机流量准确估计公平性指标的方法，并通过理论分析和TikTok真实数据实验验证其有效性。
2024-06-07 cs.IR
Item-side Fairness of Large Language Model-based Recommendation System
本文针对基于大语言模型的推荐系统在物品侧公平性方面研究不足的问题，提出IFairLRS框架，通过在LLaMA上的微调实验验证其能显著提升物品侧公平性。
2024-02-23 cs.IR
Towards Communication Efficient and Fair Federated Personalized Sequential Recommendation
联合推荐利用联邦学习（FL）技术来进行隐私保护推荐。虽然联邦推荐系统近年来取得了一定的成功，但仍面临着一些重要的挑战：（1）大多数联邦推荐模型只考虑模型的性能和隐私保护能力，而忽略了通信过程的优化：（2）大多数联邦推荐系统是针对异构系统设计的，导致了联邦过程中的不公平问题;（iii）个性化技术在许多联合推荐系统中的研究较少。在本文中，我们提出了一个通信效率和公平的个性化联邦个性化顺序推荐算法（CF-FedSR）来解决这些挑战。CF-FedSR引入了一种通信高效的方案，该方案采用自适应客户端选择和基于聚类的采样来加速训练过程。提出了一种基于公平性的模型聚合算法，该算法能够自适应地捕捉不同客户端之间的数据和性能不平衡，以解决模型聚合过程中的不公平问题。个性化模块帮助客户进行个性化推荐，并通过局部微调和模型自适应来提高推荐性能。大量的实验结果表明，我们提出的方法的有效性和效率。
2022-08-24 cs.IR
Adaptive Fair Representation Learning for Personalized Fairness in Recommendations via Information Alignment
针对推荐系统个性化公平现有方法训练成本高、公平与准确性权衡次优的问题，提出仅需训练一个模型、推理时自适应满足不同公平要求的AFRL模型，通过信息对齐机制兼顾公平性与推荐准确性，经实验和理论分析验证了其优越性。
2024-04-13 cs.IR
Feedback Reciprocal Graph Collaborative Filtering
针对交互图中着迷与不着迷反馈造成的跷跷板问题，本文提出FRGCF，通过双图分离、反馈互惠对比学习和宏观反馈建模提升推荐效果。
2024-08-05 cs.IR
Are Big Recommendation Models Fair to Cold Users?
在线推荐系统广泛使用大模型来提高推荐性能。它们通常是在历史用户行为数据上学习的，以推断用户兴趣并预测未来的用户行为（例如，点击）。事实上，在兴趣建模和未来行为预测方面，具有更多历史行为的重度用户的行为通常可以提供比冷用户更丰富的线索。大模型可能会从重度用户的行为模式中学习更多，从而有利于重度用户，并给冷用户带来不公平。在本文中，我们研究大推荐模型是否是公平的冷用户。我们的经验表明，优化大的推荐模型的整体性能可能会导致不公平的冷用户的性能下降。针对这一问题，提出了一种基于自升华的BigFair方法，该方法以模型对原始用户数据的预测为教师，对随机丢弃的用户行为进行正则化，从而使模型能够公平地捕获重用户和冷用户的兴趣分布.在两个数据集上的实验表明，BigFair能够有效地提高大推荐模型在冷用户上的性能公平性，而不会损害在重用户上的性能.
2022-02-28 cs.IR
Causality-Inspired Fair Representation Learning for Multimodal Recommendation
针对多模态推荐中敏感信息经纠缠因果关系泄露的问题，提出 FMMRec，通过因果启发的模态解耦与关系感知公平学习获得反事实公平用户表示，并在两个公开数据集上优于现有基线。
2025-06-11 cs.IR
CUPID: A Real-Time Session-Based Reciprocal Recommendation System for a One-on-One Social Discovery Platform
Hyperconnect（超连接公司）；Sogang University（西江大学）
针对一对一社交发现平台互惠推荐的高延迟和高训练成本问题，提出CUPID，通过会话建模与实时匹配置耦及两阶段训练降低推理与计算开销，并在Azar大规模数据上验证有效。
2024-10-08 cs.AI cs.IR
Measuring Item Global Residual Value for Fair Recommendation
本文针对信息流推荐中物品曝光不公及“雪球效应”，提出建模物品级全局剩余价值（GRV），并通过TaFR框架在提升推荐性能的同时实现更公平的资源分配。
2023-07-17 cs.IR
Learning Fair Representations for Recommendation: A Graph-based Perspective
作为人工智能的一个重要应用，推荐系统是帮助用户发现潜在兴趣的计算机辅助系统之一。近年来，研究人员对人工智能应用的公平性问题给予了相当大的关注。这些方法大多假设实例的独立性，并设计复杂的模型来消除敏感信息，以促进公平。然而，推荐系统与这些方法有很大的不同，因为用户和项目自然形成用户-项目二分图，并且在图结构中协作相关。在本文中，我们提出了一种新的基于图的技术，以确保任何推荐模型的公平性。这里，公平性要求指的是在用户建模过程中不暴露敏感特征集。具体来说，给定来自任何推荐模型的原始嵌入，我们学习过滤器的组合，这些过滤器将每个用户和每个项目的原始嵌入转换为基于敏感特征集的过滤嵌入空间。对于每个用户，这种转换是在以用户为中心的图的对抗学习下实现的，以便混淆过滤后的用户嵌入和该用户的子图结构之间的每个敏感特征。最后，大量的实验结果清楚地表明，我们提出的公平推荐模型的有效性。我们在https://github.com/newlei/FairGo上发布源代码。
2021-04-23 cs.IR
Multisided Fairness for Recommendation
最近关于机器学习的工作已经开始考虑公平性问题。在本文中，我们将公平性的概念扩展到推荐。特别是，我们表明，在某些推荐的情况下，公平性可能是一个多方面的概念，其中需要考虑多个人的公平结果。基于这些考虑，我们提出了一个公平意识推荐系统的分类，并建议可能的公平意识推荐架构。
2017-07-08 cs.CY cs.IR
Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning
由于传统推荐人可能造成的偏见和歧视，推荐的公平性越来越受到人们的关注。在交互式推荐系统（IRS）中，用户偏好和系统的公平性状态会随着时间的推移而不断变化。现有的公平感知决策器主要考虑静态环境下的公平性。直接将现有方法应用于IRS将导致不良推荐。为了解决这个问题，我们提出了一个基于强化学习的框架，FairRec，动态地保持IRS的准确性和公平性之间的长期平衡。用户偏好和系统的公平性状态被联合压缩到状态表示中以生成推荐。FairRec旨在最大限度地提高我们设计的累积奖励，将准确性和公平性相结合。大量的实验证明，FairRec可以提高公平性，同时保持良好的推荐质量。
2021-06-25 cs.CY cs.IR
Understanding and Mitigating Multi-Sided Exposure Bias in Recommender Systems
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。这在多边推荐平台中尤其重要，在多边推荐平台中，优化效用不仅对于最终用户至关重要，而且对于其他参与者（例如希望公平表示其物品的物品卖家或生产者）也至关重要。现有的解决方案没有适当地解决建议中的多边公平性的各个方面，因为它们可能仅仅具有片面的观点（即，仅改善一方的公平性），或者没有适当地测量系统中涉及的每个参与者的公平性。在这篇论文中，我的目的是首先调查不公平的建议对系统的影响，以及这些不公平的建议如何对系统中的主要参与者产生负面影响。然后，我试图提出解决建议不公平的方法。我提出了一种评级转换技术，该技术作为构建推荐模型之前的预处理步骤，以减轻输入数据中固有的受欢迎程度偏差，从而减轻推荐列表中商品和供应商的暴露不公平性。此外，作为另一种解决方案，我提出了一个通用的基于图的解决方案，作为推荐生成后的后处理方法，以减轻推荐结果中的多边暴露偏差。对于评估，我介绍了几个度量的项目和供应商的曝光公平性，并表明这些指标更好地捕捉公平性的推荐结果。我进行了大量的实验，以评估所提出的解决方案的有效性。在不同公开数据集上的实验以及与各种基线的比较证实了所提出的解决方案在提高物品和供应商的曝光公平性方面的优越性。
2021-11-10 cs.IR
Fairly Adaptive Negative Sampling for Recommendations
成对学习策略对于优化隐式反馈数据上的推荐模型是普遍的，其通常通过区分正面（即，由用户点击）和否定项（即，通过负采样获得）。但是，不同项组（由项属性指定）的大小通常分布不均匀。我们根据经验发现，成对算法常用的均匀负采样策略（例如，BPR）可以继承这样的数据偏差和过度抽样的多数项目组作为负面的情况下，严重打击组公平的项目方面。在本文中，我们提出了一个公平自适应负采样方法（FairNeg），它通过自适应调整组级负采样分布在训练过程中，提高项目组的公平性。特别是，它首先感知模型的不公平状态，在每一步，然后调整组的采样分布与自适应动量更新策略，以更好地促进公平优化。此外，负采样分布Mixup机制提出，它优雅地结合现有的重要性感知采样技术，旨在挖掘信息负样本，从而允许实现多个优化目的。在四个公开数据集上的实验表明，该方法在组公平性增强和公平性-效用权衡方面具有明显的优势。
2023-02-16 cs.IR
Improving Recommendation Fairness without Sensitive Attributes Using Multi-Persona LLMs
针对推荐系统在无敏感属性场景下的公平性问题，提出LLMFOSA框架，利用多角色大语言模型推断敏感信息并学习鲁棒表示，通过互信息目标优化，在公开数据集上验证了提升公平性的有效性。
2025-05-26 cs.IR
Generating with Fairness: A Modality-Diffused Counterfactual Framework for Incomplete Multimodal Recommendations
针对不完备多模态推荐中缺失数据生成难、可见性偏差致物品不公平的问题，提出含模态扩散补全和反事实推荐模块的MoDiCF框架，在准确率和公平性上均优于现有方法。
2025-02-22 cs.IR
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
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中，已经探索了个性化推荐中的相关性和公平性之间的权衡，目标是最小化对某些人口统计学的学习歧视，同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性（MMR）重新排名的方法，它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验，并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果，并通过对一组查询图像的排名结果进行定量分析，来检查相关性和公平性之间的权衡。我们表明，我们提出的方法可以在排名结果中包含公平性，同时获得比基线更高的精度，而我们的案例研究表明，即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
A Cost-Sensitive Meta-Learning Strategy for Fair Provider Exposure in Recommendation
针对推荐系统中提供者群体曝光不均的问题，提出一种成本敏感元学习策略，在成对推荐模型中实现目标曝光公平且不损失推荐效用。
2024-01-24 cs.IR
FAST: A Fairness Assured Service Recommendation Strategy Considering Service Capacity Constraint
Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（悉尼科技大学）
过多的客户往往导致服务质量下降。然而，推荐系统忽略了服务的容量限制，这可能导致不满意的推荐。这个问题可以通过限制接收服务推荐的用户数量来解决，但这可能被视为不公平。在本文中，我们提出了一种新的度量Top-N公平性来衡量个人的公平性多轮推荐服务的容量限制。考虑到用户通常只受推荐中排名靠前的项目的影响，Top-N Fairness只考虑由前N个服务组成的子列表。在此基础上，设计了一种公平保证服务推荐策略FAST。FAST调整原有推荐列表，为用户提供推荐结果，保证多轮推荐的长期公平性。从理论上证明了FAST算法的Top-N公平性方差的收敛性。FAST在Yelp数据集和合成数据集上进行了测试。实验结果表明，FAST在保持较高推荐质量的同时，实现了较好的推荐公平性.
2020-12-02 cs.IR cs.LG
Leveraging Opposite Gender Interaction Ratio as a Path towards Fairness in Online Dating Recommendations Based on User Sexual Orientation
针对在线约会推荐中用户性取向公平性研究不足的问题，提出异性交互比例（OGIR）指标量化群体不公平，并设计基于重新加权和重新排序的公平推荐系统，有效缓解群体数量与校准不平衡，在维持模型效用的同时显著提升公平性。
2024-02-19 cs.IR
Can Fairness Be Prompted? Prompt-Based Debiasing Strategies in High-Stakes Recommendations
University of Copenhagen（哥本哈根大学）
本文提出三种基于提示的去偏策略，旨在通过轻量级方法提升推荐系统的公平性，实验表明该方法能提升公平性达74%，但可能过度促进某些群体。
2026-03-13 cs.IR
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练，比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响，发现重排序策略的作用更大。
2024-08-22 cs.IR
FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms
本文提出 FairSort 重排序模型，以跑道机制替代背包约束，并用二分搜索保障最小效用，从而在双边公平与个性化推荐质量间取得平衡。
2024-12-08 cs.GT 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
Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method
Nanbeige Lab（南戈实验室）；BOSS Zhipin（BOSS直聘）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Career Science Lab, BOSS Zhipin（BOSS直聘职业科学实验室）
针对双向推荐系统现有评估指标片面、缺乏系统性解决方案的问题，该研究提出5个多维度评估指标，从因果视角建模并开发模型无关的因果双向推荐方法及重排序策略，实验验证了其有效性。
2024-08-19 cs.AI cs.IR
Equality of Learning Opportunity via Individual Fairness in Personalized Recommendations
在线教育平台在促进个人职业成功方面发挥着主要作用。因此，在构建覆盖式内容推荐服务的同时，必须根据平台价值观、背景和教学方法，确保为学习者提供平等的推荐学习机会。虽然确保学习机会平等的重要性在传统机构中得到了很好的研究，但如何通过推荐系统在在线学习生态系统中实现这种平等仍然没有得到充分的探讨。在本文中，我们形式化的教育原则，模型建议的学习属性，和一个新的公平性度量，将它们结合起来，以监测平等的学习者之间的推荐学习机会。然后，我们设想一个场景，其中教育平台应该以这样一种方式进行安排，即生成的建议在一定程度上满足所有学习者的每个原则，并限制到他们的个人偏好。在这种观点下，我们探讨了在一个大规模的课程平台推荐系统提供的学习机会，发现系统的不平等。为了减少这种影响，我们提出了一种新型的后处理方法，可以平衡个性化和推荐机会的平等性。实验表明，我们的方法导致更高的平等，在个性化的损失可以忽略不计。我们的研究在将人类学习的道德规范应用于建议方面向前迈进了一步，建议是智能教育系统的核心单元。
2020-10-27 cs.IR
A Preliminary Study of ChatGPT on News Recommendation: Personalization, Provider Fairness, Fake News
本研究初步评估ChatGPT在个性化新闻推荐、提供者公平性和假新闻检测三方面的表现，探索提示格式对输出约束的影响，并开发网页进行持续监控。
2023-06-19 cs.IR
