【KDD2023教程】值得信赖的推荐系统：基础与前沿,290页ppt

过去几十年，互联网内容的爆炸性增长推动了对推荐服务的日益增长的需求。如今，推荐系统作为智能过滤工具，在各种面向用户的在线服务中的成功部署中，如在线购物、工作匹配、金融产品推荐和医疗推荐，都在人们的日常生活中起到了越来越重要的作用。更近期地，受到深度神经网络（DNNs）在强大的表示学习能力上的巨大成功的启发，基于DNN的推荐技术在广泛的任务范围内都展现出了令人印象深刻的性能。尽管推荐系统可以在日常生活中为人们带来便利，但最近的研究表明，它们对人类可能有负面影响。例如，推荐系统对对抗性攻击非常脆弱，攻击者可以用恶意的欲望操纵推荐结果。同时，推荐算法可以继承甚至放大来自训练数据集的偏见行为，导致对代表性不足的群体进行歧视性预测。此外，推荐系统还容易受到隐私攻击。例如，恶意攻击者可以从公开数据中推断出用户的私人信息。由于复杂的工作机制，推荐系统经常做出难以向各种利益相关者解释的黑箱决策，导致不可靠的推荐预测。这些在推荐系统中不可靠的方面可能会产生不可靠的推荐结果，然后在各种实际应用中产生重大的有害效果，尤其是在金融和医疗等安全关键领域，导致严重的经济、社会和安全后果。为了减轻这些不可靠的方面，近年来出现了大量关于可信推荐系统的研究。在本教程中，我们将及时提供一个关于可信推荐系统（TRec）的全面概述，特别关注六个最关键的方面：即，安全性和稳健性、非歧视和公平性、可解释性、隐私性、环境福祉以及问责性和可审计性。对于每一个方面，我们都将总结最近的相关技术，并讨论帮助未来实现可信推荐系统的潜在研究方向。

Our Survey Paper: A Comprehensive Survey on Trustworthy Recommender Systems Our Slides: Trustworthy Recommender Systems: Foundations and Frontiers Tutorial Website:

https://advanced-recommender-systems.github.io/trustworthiness-tutorial/

The topics of this tutorial include (but are not limited to) the following: 1. Introduction to Trustworthy Recommender System (TRec) 1. Safety & Robustness 1. Non-discrimination & Fairness 1. Explainability 1. Privacy 1. Environmental Well-being 1. Accountability & Auditability 1. Dimension Interactions & Future Directions