paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Fairness Testing for Recommender Systems

推荐系统的公平性测试
ISSTA Proceedings of the 32nd ACM SIGSOFT International Symposium on Software Testing and Analysis2023匹配度 2/10 · 论文关注推荐系统的公平性测试，属于机器学习系统测试与调试方向，但并未涉及用户核心关注的静态分析、Agentic/LLM 程序、浮点程序分析或贝叶斯程序分析。其测试方法也与 PL 形式化验证、LLM 与静态分析交叉的议题关系较弱。引用 4 inbox
Huizhong Guo
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12dblp: 2026-09-12

AI 速览

一句话：提出面向推荐系统公平性测试的新方法，以兼顾结果准确与测试效率。

推荐系统中的公平性日益受到关注，但现有公平性度量与测试方法主要面向分类系统，难以直接适用于推荐系统。为弥补这一空白，本文针对推荐系统公平性测试的特有挑战，提出一种新的测试方法，旨在获得准确测试结果的同时保持较高效率。摘要未披露具体技术细节与实验数据，但作者宣称该方法适配推荐系统场景，并进一步讨论了推荐系统公平性测试领域的潜在研究方向。该工作强调需要从分类任务转向推荐任务来重新设计公平性测试。

问题
现有公平性度量与测试方法主要针对分类系统，无法适配推荐系统的公平性测试需求。
方法
提出一种专为推荐系统设计的公平性测试方法，并讨论该领域的后续研究方向。
评估
摘要仅说明该方法可获得准确结果并保持高效率，未给出具体实验设置、数据集或对比结果。
原文摘要（Abstract）

The topic of fairness in recommender systems (RSs) is gaining significant attention. However, current fairness metrics and testing approaches primarily cater to classification systems and are not suitable for RSs. To bridge this gap, we aim to address the specific challenges involved in fairness testing for RSs. In this paper, we present a novel testing approach specifically designed for RSs, which enables us to achieve accurate results while maintaining high efficiency. Additionally, we suggest potential avenues for further research in the realm of fairness testing for RSs.

链接与引用

DOI 原文 · PDF（开放获取） · DBLP

BibTeX 
@inproceedings{Guo23,
  title = {Fairness Testing for Recommender Systems},
  author = {Huizhong Guo},
  booktitle = {ISSTA},
  year = {2023},
  doi = {10.1145/3597926.3605235}
}