這幾天我的主要任務是對論文《Towards Long-term Fairness in Recommendation》[1] 中所描述的算法進行編程實現，然后測試該算法的效果並記錄。以下分模型算法細節實現、數據集、模型評估准則、測試結果記錄四個部分來描述我的工作。 模型算法細節實現 由論文描述 ...

接下來我花一天時間精讀了論文《Learning Fair Representations for Recommendation: A Graph-based Perspective》[1]，將論文的結構和核心思想進行了詳細地梳理，之后准備使用Pytorch框架對該論文進行復現。 論文創新點 ...

公平性(fariness)-新的突破點 推薦系統的公平性（fairness）正在成為推薦系統領域的一個新的突破點，目前對於推薦系統這種需要落地的應用，單純的在模型領域取得准確率等指標的突破已經不是唯一的追求。雖然fancy的模型依然重要，但是越來越多的學者關注於模型在應用中的可解釋性以及機器學習 ...

接下來我總共花了將近四天時間才將論文《Towards Long-term Fairness in Recommendation》[1]理解透徹。因為該論文用到了強化學習(Reinforcement Learning)，而強化學習不像之前的生成對抗網絡(GAN)一樣簡潔明了，涉及的數學知識 ...

做為最后一篇論文閱讀記錄，我決定對我目前為止粗讀和精讀的論文進行一次總結，然后陳述一些個人對該研究領域的見解和想法。 論文總結歸納 推薦系統中的偏差和不公平現象是隨着推薦算法的誕生就與生俱來的，而不是人為故意產生的。目前我讀過的論文中包括的一些典型的偏差和其主要的解決方案如下： (1) 人口 ...

論文引入 近年來推薦系統公平性成為新的熱點，在所有解決公平性問題的方法中，因果推斷顯得格外靚眼。我們以論文《Recommendations as treatments: Debiasing learning and evaluation》[1]做為引入，來看看因果推斷是怎么應用在推薦系統公平性 ...

前言: 　　我是一名普通的德州撲克愛好者, 曾在網上打過一段時間(屬於娛樂性質^_^). 有人說線上打牌, 平台發的牌很妖(冤家牌特多, 防不勝防). 對此我有些看法, 看看能否從概率論的角度, 評估下線上平台的公平性. 爭議: 　　最近在知乎上, 看到一個帖子: 實名舉報德撲圈發牌 ...

KERL: A Knowledge-Guided Reinforcement Learning Modelfor Sequential Recommendation 摘要 ‍時序推薦是基於用戶的順序行為，對未來的行為進行預測的任務。目前的工作利用深度學習技術的優勢，取得了很好的效果 ...