互联网行业的发展促使在线交友平台成为了当代许多人重要的社交方式,而推荐算法在其中起到了非常重要的作用。但目前知名的在线交友平台所用的推荐算法对用户的公平性尚未提供足够的保障,直接将电商平台推荐算法应用于在线交友平台中也无法在推荐的公平性七起到明显的效果。本文总结现有文献,推荐算法的公平性可以分为均匀性、互惠性、多样性三个领域。同时,社会学研究表明,包括图片吸引力在内的用户吸引力在社交中起到了非常重要的作用。因此,本文针对推荐算法公平性的问题提出两种基于用户吸引力进行公平性推荐的算法,并在一款在线交友APP中验证了算法的可行性。本文的主要研究内容和贡献如下:(1)针对推荐的互惠性问题,提出一种基于推荐双方吸引力差异的推荐算法(Different Recommendation Model,DRM)。本文提出在线交友平台的互惠性应该建立在推荐双方的吸引力较为接近的基础上。DRM算法将用户图片吸引力和被打分记录展现的社交吸引力作为总体吸引力的计算元素,计算推荐双方的吸引力差值,并将差值以某种权重与以互惠性为原则的双向准确推荐算法进行混合推荐。在混合的过程中使用梯度下降法来训练权重,以达到准确率和公平性的多目标最优化。(2)针对推荐的均匀性问题与多样性问题,提出一种基于吸引力分组的均匀性推荐算法(Group Fairness Recommendation Model,GFR)。本文发现现有均匀性方法“计算全局被推荐频率”的策略无法保障算法的多样性。GFR算法利用用户图片吸引力作为标准对用户进行吸引力阶层的分组,在推荐中同时考虑以下三方面的均匀性:推荐提供者(传统模型中的商品)被推荐的整体频率、提供者在推荐消费者(传统模型中的用户)所在组中的推荐频率和消费者接收提供者所在组成员的推荐频率,从而同时提高均匀性和多样性,并给普通用户更多获得高质量交友对象的渠道。(3)文章提出一系列针对公平性的评价指标,并通过实验验证两种方案的可用性。结果表明DRM可以以不到5%的准确率丢失为代价,获得了比传统准确推荐高的均匀性和更低的推荐双方吸引力差异(互惠性的一种表现),其均匀性最高可以提升1倍多,推荐双方吸引力差异性可以下降10%以上。GFR则以和现有均匀性推荐方案大致相同的均匀性,换来提升7.5%的多样性,且其均匀性也比传统推荐算法高出1-2倍。本文提出的两种算法比较而言,GFR比DRM拥有更好的均匀性和多样性,DRM比GFR拥有更低的用户间差异性和更好的互惠性。