越来越多的人际互动在社交媒体平台上数字化，并受到算法决策的影响，而确保这些算法的公平对待变得越来越重要。在这项工作中，我们研究了在社交媒体数据上训练的协作过滤推荐系统中的性别偏见。我们研发了神经公平协同过滤(NFCF)，这是一个在推荐与职业相关的敏感项目(如工作、学术集中程度或课程)时减少性别偏见的实用框架，使用了神经协同过滤的预训练和微调方法，并辅以偏见纠正技术。我们分别在MovieLens数据集和Facebook数据集上展示了我们的方法在性别去偏见职业和大学专业推荐方面的效用，并取得了比一些最先进的模型更好的表现和更公平的行为。

http://jfoulds.informationsystems.umbc.edu/papers/2021/Islam%20(2021)%20-%20Debiasing%20Career%20Recommendations%20with%20Neural%20Fair%20Collaborative%20Filtering%20(WWW).pdf