Datensatz Zitierlink: 
http://hdl.handle.net/20.500.12708/199513
-
Titel: 
Evaluating Group Fairness in News Recommendations: A Comparative Study of Algorithms and Metrics
en
Zitat: 
Huebner, B., Kolb, T. E., & Neidhardt, J. (2024). Evaluating Group Fairness in News Recommendations: A Comparative Study of Algorithms and Metrics. In Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization (pp. 337–346). https://doi.org/10.1145/3631700.3664897
-
Verlags-DOI: 
10.1145/3631700.3664897
-
Publikationstyp: 
Konferenzbeitrag - Full-Paper Contribution
de
Sprache: 
Englisch
-
Autor_innen: 
Huebner, Blake 
Kolb, Thomas Elmar 
Neidhardt, Julia 
-
Organisations­einheit: 
E194-04 - Forschungsbereich Data Science 
-
Erschienen in: 
Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization 
-
ISBN: 
9798400704666
-
DOI des Buches: 
10.1145/3631700
-
Datum (veröffentlicht): 
28-Jun-2024
-
Veranstaltungs­name: 
3rd Workshop on Group Modeling, Adaptation and Personalization at ACM UMAP 2024 
en
Veranstaltungs­zeitraum: 
1-Jul-2024 - 4-Jul-2024
-
Veranstaltungs­ort: 
Cagliari, Italien
-
Umfang: 
10
-
Keywords: 
Recommender Systems (RS); Fairness in Recommender Systems; Diversity in Recommender Systems; Beyond-accuracy Measures; FOCF; PFCN
en
Projekttitel: 
Christian Doppler Labor für Weiterentwicklung des State-of-the-Art von Recommender-Systemen in mehreren Domänen: CDL Neidhardt (Christian Doppler Forschungsgesells) 
-
Forschungs­schwerpunkte: 
Information Systems Engineering: 100%
-
Wissenschafts­zweig: 
1020 - Informatik: 100%
-
Enthalten in den Sammlungen:
Conference Paper

Zur Langanzeige

Seiten Aufrufe

126
aufgerufen am 08.08.2024

Google ScholarTM

Check