图协同过滤的公平增强

本研究探讨了图协同过滤中的公平性问题，填补了现有文献的空白。

提出了一种新颖的调整系统公平性水平的技术，基于公平图增强的方法。

通过多个真实世界网络和模型的实验验证了该方法的有效性和可靠性。

实验结果显示该方法在推荐系统中具有良好的应用潜力，为未来研究提供了新思路。

研究分析了不同活跃度用户的推荐性能，发现不活跃用户更容易受到不公平对待。

提出了通过启发式重新排序的公平性约束方法，能提供高质量的可解释推荐。

研究了如何通过数据增强提高协同过滤推荐的公平性，测试结果表明有效。

对图神经网络的公平性技术进行了分类和研究，提出了公平性评价指标的直观分类。

提出了名为HetroFair的公平GNN-based推荐系统，改善项目方面的公平性。

提出了Fairness for Group and Individual (FairGI)的新概念，考虑组公平性和组内个体公平性。