Transparency, Privacy, and Fairness in Recommender Systems

推荐系统已经成为我们日常在线体验中无处不在的一部分，也是人工智能和机器学习最广泛应用的领域之一。因此，对于可信人工智能的规定和要求，例如欧洲人工智能法案，包括透明度、隐私和公平等概念，对于实践中的推荐系统设计也非常相关。本文探讨了与这三个概念相关的推荐系统方面，即：（i）透明度和认知模型，（ii）隐私和有限偏好信息，以及（iii）推荐系统中的公平性和流行偏见。具体而言，对于第（i）方面，我们强调将心理理论纳入推荐系统透明设计过程的实用性。我们将这种类型的系统称为心理学知情推荐系统。在第（ii）方面，我们研究和解决了差分隐私推荐中准确性和隐私之间的权衡问题。我们设计了一种基于高效邻域重用概念的协同过滤推荐方法，可以减少需要受到差分隐私保护的用户数量。此外，我们还解决了会话式和冷启动推荐设置中用户偏好信息有限的相关问题，例如点击数据。关于第（iii）方面，我们分析了推荐系统中的流行偏见。我们发现，物品的推荐频率与该物品的流行程度呈正相关。这也导致对于对流行内容不感兴趣的用户不公平对待。最后，我们使用基于代理模型的建模技术研究了算法决策支持在劳动市场中的长期公平性动态。

论文探讨推荐系统设计中的透明度、隐私和公平性等问题，包括心理学理论在透明设计中的应用、不同ially-private推荐方案中准确性和隐私之间的权衡，以及推荐系统中的流行度偏见和长期公平性动态。

论文提出心理学理论在透明设计中的应用，设计一种基于邻域重用概念的协同过滤推荐方法，旨在减少需要受到差分隐私保护的用户数量，分析推荐系统中的流行度偏见和长期公平性动态。

论文设计了心理学理论在透明设计中的应用，提出一种新颖的基于邻域重用概念的协同过滤推荐方法，用于优化准确性和隐私之间的权衡，分析推荐系统中的流行度偏见和长期公平性动态，使用了不同的数据集进行实验，并提供了开源代码。

相关研究包括：1. 'The European AI Act' 2. 'Fairness in Recommendation Systems' 3. 'Privacy-Preserving Collaborative Filtering with Efficient Nearest Neighbor Reuse' 4. 'Session-based Recommendations with Recurrent Neural Networks' 5. 'Recommender Systems with Personalized Diversity'等。