摘要： 
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。首先，总结一下论文，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包括：人口平等(Demographic parity)、位置偏差(Position bias)、曝光偏差(Exposure bias)、选择偏差(Selection bias)、曝光偏差(Exposure bias)、流行度偏差(Popularity bias)。 阅读全文
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。首先，总结一下论文，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包括：人口平等(Demographic parity)、位置偏差(Position bias)、曝光偏差(Exposure bias)、选择偏差(Selection bias)、曝光偏差(Exposure bias)、流行度偏差(Popularity bias)。 阅读全文
摘要： 
接下来我总共花了将近四天时间才将论文《Towards Long-term Fairness in Recommendation》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，涉及的数学知识非常多。在看论文之前我花费了很所时间去补强化学习的基础，其中牵涉到的知识点还包括随机过程、数值优化等，因此我在掌握文章背景上就耗费了很多时间和精力。 阅读全文
接下来我总共花了将近四天时间才将论文《Towards Long-term Fairness in Recommendation》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，涉及的数学知识非常多。在看论文之前我花费了很所时间去补强化学习的基础，其中牵涉到的知识点还包括随机过程、数值优化等，因此我在掌握文章背景上就耗费了很多时间和精力。 阅读全文