Buchumschlag

Transparency, Privacy, and Fairness in Recommender Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Kowald, Dominik
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Investigating Popularity Bias Amplification in Recommender Systems Employed in the Entertainment Domain
von: Kowald, Dominik
Veröffentlicht: (2025)

The Impact of Differential Privacy on Recommendation Accuracy and Popularity Bias
von: Müllner, Peter, et al.
Veröffentlicht: (2024)

Meta-Learning and Targeted Differential Privacy to Improve the Accuracy-Privacy Trade-off in Recommendations
von: Müllner, Peter, et al.
Veröffentlicht: (2026)

Utilizing Human Memory Processes to Model Genre Preferences for Personalized Music Recommendations
von: Kowald, Dominik, et al.
Veröffentlicht: (2020)

Fair Agents: Balancing Multistakeholder Alignment in Multi-Agent Personalization Systems
von: Forster, Andrea, et al.
Veröffentlicht: (2026)

What Do Humanities Scholars Need? A User Model for Recommendation in Digital Archives
von: Atzenhofer-Baumgartner, Florian, et al.
Veröffentlicht: (2026)

Oh, Behave! Country Representation Dynamics Created by Feedback Loops in Music Recommender Systems
von: Lesota, Oleg, et al.
Veröffentlicht: (2024)

A Multistakeholder Approach to Value-Driven Co-Design of Recommender System Evaluation Metrics in Digital Archives
von: Atzenhofer-Baumgartner, Florian, et al.
Veröffentlicht: (2025)

Multistakeholder Fairness in Tourism: What can Algorithms learn from Tourism Management?
von: Muellner, Peter, et al.
Veröffentlicht: (2025)

Impacts of Mainstream-Driven Algorithms on Recommendations for Children Across Domains: A Reproducibility Study
von: Ungruh, Robin, et al.
Veröffentlicht: (2025)

Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations
von: Forster, Andrea, et al.
Veröffentlicht: (2025)

Value Identification in Multistakeholder Recommender Systems for Humanities and Historical Research: The Case of the Digital Archive Monasterium.net
von: Atzenhofer-Baumgartner, Florian, et al.
Veröffentlicht: (2024)

Challenges in Implementing a Recommender System for Historical Research in the Humanities
von: Atzenhofer-Baumgartner, Florian, et al.
Veröffentlicht: (2024)

Hybrid Personalization Using Declarative and Procedural Memory Modules of the Cognitive Architecture ACT-R
von: Innerebner, Kevin, et al.
Veröffentlicht: (2025)

Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models
von: Escobedo, Gustavo, et al.
Veröffentlicht: (2024)

De-centering the (Traditional) User: Multistakeholder Evaluation of Recommender Systems
von: Burke, Robin, et al.
Veröffentlicht: (2025)

Support the Underground: Characteristics of Beyond-Mainstream Music Listeners
von: Kowald, Dominik, et al.
Veröffentlicht: (2021)

Offline Evaluation Measures of Fairness in Recommender Systems
von: Rampisela, Theresia Veronika
Veröffentlicht: (2026)

Fairness and Diversity in Recommender Systems: A Survey
von: Zhao, Yuying, et al.
Veröffentlicht: (2023)

Can We Trust Recommender System Fairness Evaluation? The Role of Fairness and Relevance
von: Rampisela, Theresia Veronika, et al.
Veröffentlicht: (2024)

Enhancing New-item Fairness in Dynamic Recommender Systems
von: Guo, Huizhong, et al.
Veröffentlicht: (2025)

Looking for Fairness in Recommender Systems
von: Logé, Cécile
Veröffentlicht: (2025)

Pattern-wise Transparent Sequential Recommendation
von: Ma, Kun, et al.
Veröffentlicht: (2024)

Measuring Fairness in Large-Scale Recommendation Systems with Missing Labels
von: Dong, Yulong, et al.
Veröffentlicht: (2024)

Joint Evaluation of Fairness and Relevance in Recommender Systems with Pareto Frontier
von: Rampisela, Theresia Veronika, et al.
Veröffentlicht: (2025)

Adaptive Autoguidance for Item-Side Fairness in Diffusion Recommender Systems
von: Li, Zihan, et al.
Veröffentlicht: (2026)

Item-side Fairness of Large Language Model-based Recommendation System
von: Jiang, Meng, et al.
Veröffentlicht: (2024)

Scalable and Provably Fair Exposure Control for Large-Scale Recommender Systems
von: Togashi, Riku, et al.
Veröffentlicht: (2024)

PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System
von: Yang, Chaoqun, et al.
Veröffentlicht: (2024)

Fair Reciprocal Recommendation in Matching Markets
von: Tomita, Yoji, et al.
Veröffentlicht: (2024)

CFaiRLLM: Consumer Fairness Evaluation in Large-Language Model Recommender System
von: Deldjoo, Yashar, et al.
Veröffentlicht: (2024)

Evaluation Measures of Individual Item Fairness for Recommender Systems: A Critical Study
von: Rampisela, Theresia Veronika, et al.
Veröffentlicht: (2023)

Evaluating and Addressing Fairness Across User Groups in Negative Sampling for Recommender Systems
von: Xuan, Yueqing, et al.
Veröffentlicht: (2023)

BiFair: A Fairness-aware Training Framework for LLM-enhanced Recommender Systems via Bi-level Optimization
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

Adaptive Fair Representation Learning for Personalized Fairness in Recommendations via Information Alignment
von: Zhu, Xinyu, et al.
Veröffentlicht: (2024)

A Closer Look on Gender Stereotypes in Movie Recommender Systems and Their Implications with Privacy
von: Roy, Falguni, et al.
Veröffentlicht: (2025)

Transparent and Scrutable Recommendations Using Natural Language User Profiles
von: Ramos, Jerome, et al.
Veröffentlicht: (2024)

Towards Fair Large Language Model-based Recommender Systems without Costly Retraining
von: Li, Jin, et al.
Veröffentlicht: (2026)

Regret-aware Re-ranking for Guaranteeing Two-sided Fairness and Accuracy in Recommender Systems
von: Ye, Xiaopeng, et al.
Veröffentlicht: (2025)

How Fair is Your Diffusion Recommender Model?
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)