为更大公众利益调整你的关注点：在新闻推荐系统中以零成本提高准确性和多样性的公平性

在当今的数字环境中，推荐系统帮助用户导航于海量的数据中。在信息获取领域，一类名为新闻推荐系统的系统帮助用户找到他们感兴趣的新闻内容。然而，通过优先考虑传统的以准确性为中心的优化，这些系统助长了过滤气泡的形成，限制了用户接触多样观点，进一步加剧了两极分化。为了解决这一问题，除了准确性之外，多样性等因素被纳入推荐。然而，这样的方法可能效果不佳，甚至无意中影响用户的观点。这引发了重大伦理问题，因为系统没有权利塑造观点。本文提出了ADF框架，这是一种旨在同时优化准确性、多样性和公平性的新方法。与在权衡中管理公平性的传统模型不同，ADF将公平性作为核心约束。该框架依赖于一种创新的公平性约束多样化策略，确保用户接触更广泛的观点，而不偏向特定的观点。ADF可以适应各种多样性度量，并提供个性化多样化，与基础推荐算法无关。通过现实世界基准数据集和多种推荐模型的实验评估，确认了ADF对准确性的影响有限，同时增强了多样性，并重要地维护了公平性。