:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mouchel, Luca, Bouquet, Pierre, Sheffi, Yossi
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Information Retrieval
Online-Zugang:	https://arxiv.org/abs/2605.15474
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding and Modeling Job Marketplace with Pretrained Language Models
von: Zhu, Yaochen, et al.
Veröffentlicht: (2024)

T-Retrievability: A Topic-Focused Approach to Measure Fair Document Exposure in Information Retrieval
von: Chang, Xuejun, et al.
Veröffentlicht: (2025)

The Relevance of Item-Co-Exposure For Exposure Bias Mitigation
von: Krause, Thorsten, et al.
Veröffentlicht: (2024)

Large Language Models, and LLM-Based Agents, Should Be Used to Enhance the Digital Public Sphere
von: Lazar, Seth, et al.
Veröffentlicht: (2024)

Answer Bubbles: Information Exposure in AI-Mediated Search
von: Huang, Michelle, et al.
Veröffentlicht: (2026)

Migrating a Job Search Relevance Function
von: Mountain, Bennett, et al.
Veröffentlicht: (2025)

Maximum In-Support Return Modeling for Dynamic Recommendation with Language Model Prior
von: Chen, Xiaocong, et al.
Veröffentlicht: (2025)

JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer
von: Guan, Zhihao, et al.
Veröffentlicht: (2024)

Developing an Intelligent Job Recommendation System Using Semantic Retrieval and Explainable AI Techniques
von: Awad, Hussein Al, et al.
Veröffentlicht: (2026)

Query Exposure Prediction for Groups of Documents in Rankings
von: Jaenich, Thomas, et al.
Veröffentlicht: (2024)

AI Prior Art Search: Semantic Clusters and Evaluation Infrastructure
von: Genin, Boris, et al.
Veröffentlicht: (2025)

What Should I Cite? A RAG Benchmark for Academic Citation Prediction
von: Zheng, Leqi, et al.
Veröffentlicht: (2026)

TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters
von: Behar, Eric, et al.
Veröffentlicht: (2024)

Diagnosing LLM-based Rerankers in Cold-Start Recommender Systems: Coverage, Exposure and Practical Mitigations
von: Lemdiasova, Ekaterina, et al.
Veröffentlicht: (2026)

Powering Job Search at Scale: LLM-Enhanced Query Understanding in Job Matching Systems
von: Liu, Ping, et al.
Veröffentlicht: (2025)

Mitigating Exposure Bias in Online Learning to Rank Recommendation: A Novel Reward Model for Cascading Bandits
von: Mansoury, Masoud, et al.
Veröffentlicht: (2024)

Learning to Retrieve for Job Matching
von: Shen, Jianqiang, et al.
Veröffentlicht: (2024)

The Impact of Group Membership Bias on the Quality and Fairness of Exposure in Ranking
von: Vardasbi, Ali, et al.
Veröffentlicht: (2023)

Improving Sequential Recommenders through Counterfactual Augmentation of System Exposure
von: Zhao, Ziqi, et al.
Veröffentlicht: (2025)

Don't Measure Once: Measuring Visibility in AI Search (GEO)
von: Schulte, Julius, et al.
Veröffentlicht: (2026)

AI Wizards at CheckThat! 2025: Enhancing Transformer-Based Embeddings with Sentiment for Subjectivity Detection in News Articles
von: Fasulo, Matteo, et al.
Veröffentlicht: (2025)

A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search
von: Goda, Shuhei, et al.
Veröffentlicht: (2024)

Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment
von: Li, Jingzhi, et al.
Veröffentlicht: (2026)

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

FairSync: Ensuring Amortized Group Exposure in Distributed Recommendation Retrieval
von: Xu, Chen, et al.
Veröffentlicht: (2024)

A Fine-tuning Enhanced RAG System with Quantized Influence Measure as AI Judge
von: Rangan, Keshav, et al.
Veröffentlicht: (2024)

Beyond Exposure: Optimizing Ranking Fairness with Non-linear Time-Income Functions
von: Li, Xuancheng, et al.
Veröffentlicht: (2026)

A Cost-Sensitive Meta-Learning Strategy for Fair Provider Exposure in Recommendation
von: Boratto, Ludovico, et al.
Veröffentlicht: (2024)

Scaling Up Efficient Small Language Models Serving and Deployment for Semantic Job Search
von: Behdin, Kayhan, et al.
Veröffentlicht: (2025)

Are Word Embedding Methods Stable and Should We Care About It?
von: Borah, Angana, et al.
Veröffentlicht: (2021)

Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure
von: Agarwal, Rahul, et al.
Veröffentlicht: (2025)

The Impact of AI Search on the Online Content Ecosystem: Evidence from Google and Reddit
von: Zhang, Peibo, et al.
Veröffentlicht: (2026)

Policy-Grounded Dynamic Facet Suggestions for Job Search
von: Xu, Dan, et al.
Veröffentlicht: (2026)

GENPLUGIN: A Plug-and-Play Framework for Long-Tail Generative Recommendation with Exposure Bias Mitigation
von: Yang, Kun, et al.
Veröffentlicht: (2025)

When Attention Becomes Exposure in Generative Search
von: Alipour, Shayan, et al.
Veröffentlicht: (2026)

PJB: A Reasoning-Aware Benchmark for Person-Job Retrieval
von: Wang, Guangzhi, et al.
Veröffentlicht: (2026)

Combining Embeddings and Domain Knowledge for Job Posting Duplicate Detection
von: Engelbach, Matthias, et al.
Veröffentlicht: (2024)

Towards FairRAG: Preventing Representational Harm in Retrieval-Augmented Generation by Enforcing Fair Exposure at Retrieval Time
von: Tikoo, Riddhi
Veröffentlicht: (2026)

Who Benefits from RAG? The Role of Exposure, Utility and Attribution Bias
von: Dehghan, Mahdi, et al.
Veröffentlicht: (2026)

MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models
von: Huang, Haohang, et al.
Veröffentlicht: (2026)