这几天我的主要任务是对论文《Towards Long-term Fairness in Recommendation》[1] 中所描述的算法进行编程实现，然后测试该算法的效果并记录。以下分模型算法细节实现、数据集、模型评估准则、测试结果记录四个部分来描述我的工作。 模型算法细节实现 由论文描述 ...

接下来我花一天时间精读了论文《Learning Fair Representations for Recommendation: A Graph-based Perspective》[1]，将论文的结构和核心思想进行了详细地梳理，之后准备使用Pytorch框架对该论文进行复现。 论文创新点 ...

公平性(fariness)-新的突破点 推荐系统的公平性（fairness）正在成为推荐系统领域的一个新的突破点，目前对于推荐系统这种需要落地的应用，单纯的在模型领域取得准确率等指标的突破已经不是唯一的追求。虽然fancy的模型依然重要，但是越来越多的学者关注于模型在应用中的可解释性以及机器学习 ...

接下来我总共花了将近四天时间才将论文《Towards Long-term Fairness in Recommendation》[1]理解透彻。因为该论文用到了强化学习(Reinforcement Learning)，而强化学习不像之前的生成对抗网络(GAN)一样简洁明了，涉及的数学知识 ...

做为最后一篇论文阅读记录，我决定对我目前为止粗读和精读的论文进行一次总结，然后陈述一些个人对该研究领域的见解和想法。 论文总结归纳 推荐系统中的偏差和不公平现象是随着推荐算法的诞生就与生俱来的，而不是人为故意产生的。目前我读过的论文中包括的一些典型的偏差和其主要的解决方案如下： (1) 人口 ...

论文引入 近年来推荐系统公平性成为新的热点，在所有解决公平性问题的方法中，因果推断显得格外靓眼。我们以论文《Recommendations as treatments: Debiasing learning and evaluation》[1]做为引入，来看看因果推断是怎么应用在推荐系统公平性 ...

前言: 　　我是一名普通的德州扑克爱好者, 曾在网上打过一段时间(属于娱乐性质^_^). 有人说线上打牌, 平台发的牌很妖(冤家牌特多, 防不胜防). 对此我有些看法, 看看能否从概率论的角度, 评估下线上平台的公平性. 争议: 　　最近在知乎上, 看到一个帖子: 实名举报德扑圈发牌 ...

KERL: A Knowledge-Guided Reinforcement Learning Modelfor Sequential Recommendation 摘要 ‍时序推荐是基于用户的顺序行为，对未来的行为进行预测的任务。目前的工作利用深度学习技术的优势，取得了很好的效果 ...