用于公平物品排名的统计过滤方法

《ACM Transactions on Information Systems》：Statistical Filtering for Fair Item Ranking

在线商品排名系统需平衡用户体验与伦理问题，传统方法依赖用户信誉但存在隐私歧视风险。本文提出用户无关的统计过滤模型，理论证明其抗贿赂性需满足策略可组合性、盈利约束与统计有效性条件，实验在三个数据集验证其抗贿能力优于传统系统且效果相当。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

在线商品排名系统对数字市场至关重要，直接影响用户体验和卖家收入。传统的基于声誉的排名系统会根据用户的声誉分数来加权评分。这些系统已被证明能有效防止操纵行为，但引发了关于用户歧视和隐私的重大伦理问题，并且在某些应用场景下可能不符合新的监管框架要求。虽然最近引入了一种不依赖于用户信息的排名系统，该系统使用统计过滤而非用户声誉分数，但其理论基础和对贿赂策略的抵抗能力尚未得到研究。在本文中，我们首次对这种不依赖于用户信息的排名系统的鲁棒性进行了全面的理论分析。我们通过证明三个关键属性来建立对贿赂行为的抵抗能力的正式界限：策略组合条件、盈利性约束和统计有效性要求。我们的理论框架表明，这类系统中的盈利性贿赂策略必须满足严格的统计条件，这使得操纵行为比基于声誉的系统更加困难。通过对三个真实世界数据集的实验评估，我们验证了我们的理论发现，结果表明，不依赖于用户信息的排名系统可以在保持相当的有效性和效率的同时，实现更强的抗贿赂能力。

AI 摘要

AI 生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助读者发现相关信息、评估文章的相关性，并帮助来自相关研究领域的读者理解文章内容。它是对作者提供的摘要的补充，作者提供的摘要仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。