In ihrem neu veröffentlichten Artikel 'Fairness Metrics and Bias Mitigation Strategies for Rating Predictions' im Journal Information Processing & Management untersuchen Dr. Christian Haas und seine Co-Autorin Fragestellungen der algorithmischen Fairness im Bereich der Empfehlungsdienste (recommender systems). Während sich ein Großteil der aktuellen Fairness-Forschung auf Anwendungen im maschinellen Lernen und der automatisierten Sprachverarbeitung konzentriert, können Fairness-Probleme und algorithmische Vorurteile (algorithmic bias) auch in Empfehlungsdiensten auftreten. Der neue Artikel untersucht Ähnlichkeiten in der Bias- und Fairness-Forschung im maschinellen Lernen und in Empfehlungsdiensten. Zudem wird eine neuartige Bias-Minderungsstrategie entwickelt, die zur Verbesserung der Fairness bei Bewertungsvorhersagen (rating predictions) führt.

Artikel DOI: https://doi.org/10.1016/j.ipm.2021.102646