融合遷移學習和解糾纏負采樣的去偏推薦方法

摘 要：針對現有去偏推薦方法在選擇負樣本時將樣本作為一個整體考慮導致的采樣偏差問題，以及不平衡的熱門-長尾項目表征學習無法有效緩解數據稀疏的問題，提出融合遷移學習和解糾纏負采樣的去偏推薦方法（DTDN）。該方法首先利用交互行為中的對撞效應設計負采樣模塊;其次，根據采樣數據設計特征解耦模塊對用戶和正負樣本的特征進行解耦表征學習（DRL）;然后，在表征學習階段引入遷移學習模塊，以對齊熱門項目和長尾項目的表征分布;最后，基于解耦表征設計樣本選擇器去除數據中的固有偏差，幫助模型準確學習用戶和正負樣本特征中的規律。在兩個實際應用數據集上的廣泛實驗結果表明，與最優的基線方法CD2AN相比，DTDN的各項性能指標均有明顯的提升，驗證了DTDN在降低推薦系統偏差負面影響方面的有效性。

關鍵詞：推薦系統；去偏推薦；負采樣；解糾纏表征學習；遷移學習

中圖分類號：TP391"" 文獻標志碼：A""" 文章編號：1001-3695（2025）04-020-1115-07

doi： 10.19734/j.issn.1001-3695.2024.09.0296

Debiasing recommendation method integrating transfer learning and disentangled negative sampling

Liu Qia， b， Tang Honga， b， Yang Liminga， b

（a. School of Communications amp; Information Engineering， b. Key Laboratory of Mobile Communications Technology of Chongqing， Chongqing University of Posts amp; Telecommunications， Chongqing 400065， China）

Abstract：To address the sampling bias caused by treating negative samples holistically in existing debiased recommendation methods， along with the limitations of imbalanced representation learning for popular and long-tail items in alleviating data sparsity， this study proposed a debiased recommendation method integrating transfer learning and disentangled negative sampling （DTDN） . The proposed method firstly designed a negative sampling module based on the collision effect observed in user interactions. Then， it developed a feature disentanglement module to perform disentangled representation learning （DRL） on user features and both positive and negative samples. During representation learning， a transfer learning module aligned the distributions of popular and long-tail items， mitigating sparsity issues. Finally， a sample selector based on the disentangled representations was constructed to remove inherent data biases， enabling the model to effectively capture patterns in user pre-ferences and sample features. Experimental results on two real-world datasets demonstrate that DTDN significantly improves all performance metrics compared to the best baseline， CD2AN， verifying its effectiveness in reducing the negative impact of bias in recommendation systems.

Key words：recommendation system; debiased recommendation; negative sampling; disentangled representation learning; transfer learning

0 引言

近年來，基于機器學習的推薦模型在歷史交互數據的擬合上表現優異［1， 2］，但在視頻和購物推薦等實際應用中往往效果不佳，尤其在用戶多樣化興趣的滿足及抗干擾能力方面存在明顯不足［3］。例如，在視頻平臺上，用戶通常會不斷收到熱門視頻的推薦，而冷門優質影片或獨立制片作品卻鮮有出現。這不僅降低了內容的多樣性，還可能導致用戶逐漸失去對平臺的興趣。這種現象主要源于大多數推薦模型假設訓練數據和測試數據為獨立同分布（independent and identically distributed， IID），但實際上，由于訓練數據中固有的偏差［4］，兩者的分布往往是非IID的。這種不一致性直接導致模型在實際應用中難以準確學習用戶和項目的真實特征規律，從而影響推薦效果和用戶體驗［5］。因此，為了提高推薦系統在多樣化應用場景中的適應性，急需開發具備去偏能力的推薦方法，以增強模型泛化能力，提升推薦結果的多樣性和精準性，從而更好地滿足用戶的多元化需求并優化推薦體驗。

現有的去偏推薦研究通常集中在分析交互行為中的偏差成因及其對推薦模型的影響，并設計相應的去偏方法［6］。傳統的去偏方法主要包括逆傾向評分（inverse propensity scoring， IPS）［7］ 、因果推斷［8］和正則化［9］等。然而，這些方法通常只針對單一類型的偏差，難以處理實際數據中常見的多種甚至未知的偏差，導致去偏效果不理想［10］。

目前，研究人員開始采用解糾纏表征學習（disentangled representation learning， DRL）技術，將用戶-項目表征與偏差表征相互分離［11］。盡管基于解糾纏表征學習的去偏推薦方法在提升模型抗偏差能力方面表現出色，但仍存在一個主要問題：在選擇負樣本時，這些方法通常將負樣本視為一個整體，忽視了用戶與正、負樣本之間的復雜交互［12］，特別是，部分負樣本可能是用戶喜歡但未接觸到的項目，而偏差在負樣本中的影響也會隨時間變化［13］，并且長尾項目的稀疏性會進一步加劇模型對負樣本特征規律的錯誤學習［14， 15］。

針對上述問題，本文提出一種融合遷移學習和解糾纏負采樣的去偏推薦方法（debiasing recommendation method integrating transfer learning and disentangled negative sampling， DTDN）。該方法根據用戶交互行為中的對撞效應設計負采樣模塊對交互數據進行采樣，然后根據采樣數據設計特征解耦模塊對用戶和正負樣本進行解糾纏表征學習。然而，由于長尾項目數據的稀疏性，推薦模型在實際應用中容易對熱門項目產生過擬合，而對長尾項目則存在欠擬合的問題。為此，本文在表征學習過程中引入遷移學習模塊來對長尾項目和熱門項目的表征分布進行對齊，緩解長尾項目的稀疏問題。最后根據學習到的解耦表征設計樣本選擇器來去除數據中的固有偏差。通過在兩個大型公開數據集上進行實驗，結果表明DTDN相較于基線方法取得了一定改進。

1 相關工作

推薦系統是一個深度反饋循環系統，數據中的偏差會導致模型在表征學習階段學到錯誤的信息［16］。例如用戶在購買電腦配件時僅僅是由于項目的流行度很高而購買，但在實際使用中并不喜歡，現有推薦模型無法識別這種行為，模型在進行表征學習時學習到錯誤的方向，進而推薦給用戶有偏差的項目列表，用戶受到推薦結果影響會作出錯誤的行為［17］。

現有的去偏推薦方法大致可分為三類：

a）基于先驗知識解決特定偏差問題。例如，Navip模型［18］借鑒逆傾向評分，根據項目的流行度對項目重新加權，減輕流行度偏差；CausPref［19］通過因果推斷分析用戶與項目的交互因果關系，建模特定偏差的產生機制。但上述研究只針對單一偏差問題。

b）基于無偏數據增強的去偏推薦方法。Chen等人［20］使用無偏的統一數據集，利用元學習技術解決雙層優化問題，對去偏差的參數進行優化；Liu等人［21］則是在無偏的統一數據集上訓練與基礎模型相同的教師模型，以指導模型的訓練。但獲取無偏數據集困難且昂貴，會損害用戶體驗和平臺收入。

c）基于解糾纏表征學習的去偏推薦方法。這類方法可以對用戶和項目交互背后的生成機制進行建模。Xie等人［22］針對序列推薦的特點，將解糾纏技術與自注意力相結合，深入挖掘用戶偏好。Zheng等人［23］將因果推斷與解糾纏技術結合起來，根據用戶購買商品的動機進行解糾纏。朱海威等人［24］則是將對比學習與解糾纏技術相互結合，同時訓練獲取有偏和無偏推薦模型。但上述方法并未對負樣本進行充分建模學習，因此本文方法在此類方法基礎上進行進一步的研究。

2 本文方法

2.1 問題定義

去偏推薦中的負采樣問題定義如下。給定歷史交互數據集D={u，xi，p}，其中每一對（u，xi）代表用戶u與項目xi之間觀察到的交互，并定義項目xi為用戶u的正樣本，p則表示項目xi的流行度，即項目xi在整個數據集中的交互次數；同時對于用戶u在整個數據集中沒有交互過的項目xj，定義為用戶u的負樣本。同時將歷史交互數據集分為訓練集Dtrain與干預測試集Dtest，兩者之間的數據分布是非IID的。DTDN的目標是通過對用戶和其對應的正負樣本進行解糾纏表征學習，來為用戶推薦感興趣的項目。

2.2 方法概述

DTDN針對現有去偏推薦方法未能充分建模負樣本的問題及訓練數據分布不均的現象進行了改進。具體而言，本文方法不僅對用戶和正負樣本特征進行了解糾纏的表征學習，還在表征學習階段合理平衡了長尾項目和熱門項目的訓練強度，以提高模型對冷門內容的推薦能力和整體泛化性能。DTDN的整體框架如圖1所示，主要由負采樣模塊、特征解耦模塊、遷移學習模塊和樣本選擇器模塊四個部分組成。

首先負采樣模塊根據負樣本的流行度對歷史交互數據中的負樣本進行采樣得到D1和D2數據集。特征解耦模塊對這兩個數據集分別設計對應的編碼器，進行解糾纏表征學習，得到用戶和正負樣本的真實特征表征和干擾特征表征。由于學習到的解耦特征沒有真實值（ground-truth）指導會在后繼訓練中重新糾纏在一起，所以引入全局對比學習來保證兩者在向量空間中的差異性，同時，遷移學習模塊在解耦表征學習階段對長尾項目和熱門項目的分布進行對齊，從而提升模型對長尾項目的學習能力。最后，樣本選擇器根據兩種解耦表征將用戶真正喜歡的正樣本和真正不喜歡的負樣本挑選出來，并基于這些樣本計算模型的推薦損失。

2.3 負采樣模塊

負采樣模塊作用是根據Dtrain每個觀察到的交互（u，xi，p）中用戶u的正樣本xi與負樣本xj之間的流行度差異來對負樣本進行采樣，以使得模型可以對負樣本進行解糾纏表征學習。

2.3.1 因果推斷

圖2展示了用戶與項目交互的因果，揭示了交互行為是由真實特征和干擾特征（用戶的從眾性以及項目的流行度等）共同決定的。兩者本應該是相互獨立的兩個因素，但由于對撞效應，兩者有了虛假的聯系。現有推薦模型未對這兩者進行區分，而是統一地對整體建模，導致模型無法準確識別出用戶真實喜好，從而產生推薦錯誤。為解決這一問題，本文采用解糾纏表征對用戶和項目進行建模，并相應調整推薦分數的計算方式：

3 實驗分析

3.1 實驗設置

3.1.1 數據集選取及預處理

本文對來自現實應用的兩個不同領域的公開數據集進行了實驗，分別是電影推薦領域的MovieLens-10M數據集和視頻推薦領域的Netflix數據集。現有模型大多是在IID場景下進行訓練，即默認訓練數據與測試數據之間是獨立同分布的，但在實際應用中由于偏差的存在，會使得訓練數據與測試數據之間是非IID。因此，為了衡量非IID情況下模型學習的性能，需要干預測試集，即從數據中以項目對應流行度的倒數為概率隨機抽取40%記錄，其余60%作為訓練集，最終得到訓練集（60%正常）、驗證集（10%干預）和測試集（30%干預）。

entropy=－∑Ni=1P（xi）log P（xi）

（22）

P（xi）=popularity（xi）∑Ni=1popularity（xi）

（23）

其中：popularity（xi）表示樣本的交互次數；entropy表示數據的信息熵，信息熵越高表示數據中的項目越均衡；N表示數據中項目的總數，數據集的數據統計如表1所示。

3.1.2 評價指標

本文使用命中率（hit rate，HR）、召回率（recall）和歸一化折損累計增益（normalized discounted cumulative gain， NDCG）三種指標。

a）命中率。用于衡量模型有沒有推薦用戶感興趣的項目（正樣本），其計算公式如下：

HR@K=∑Mi=1hr（i）M

（24）

其中：M表示用戶數目；K表示推薦列表中項目的個數；hr（i）表示第i個用戶感興趣的項目是否在推薦列表中，是則為1，否則為0。

b）召回率。用于衡量用戶感興趣的項目在模型推薦給用戶的推薦列表中的占比，其計算公式如下：

Recall@K=TPTP+FN

（25）

其中：TP表示推薦列表中用戶感興趣的項目；FN表示模型沒有預測到的正樣本；TP+FN表示用戶所有感興趣的項目。

c）歸一化折損累計增益。通過基于項目位置的折扣重要性來衡量推薦列表的質量，其計算公式如下：

NDCG@K=DCG@KIDCG@K，

DCG@K=∑Ki=1rel（xi）log2（i+1）

（26）

其中：xi表示推薦列表中的i個項目；rel（·）表示模型對項目的預測評分。IDCG就是將DCG推薦列表中項目順序事先按照數據集D中的相似度順序排序后再進行DCG計算。

3.1.3 參數設置

本文采用Adam優化器對超參數進行優化學習，學習率為0.001，模型訓練輪數為100，批次大小為128，表征嵌入維度為64，邊界值m設置為40，推薦列表長度K設置為{20，50}，正則化參數為0.000 1。為了實驗的公平性，本文實驗的所有基線方法均先在本地環境參考原文進行復現，最終選擇各個基線的最優性能進行對比。

3.2 整體性能分析

3.2.1 骨干模型

去偏推薦方法通常作為骨干模型的附加方法，因此本文使用最常用的推薦模型矩陣分解（matrix factorization， MF）和最先進的圖卷積網絡（GCN）來比較不同的去偏推薦方法。具體而言，本文選擇BPR-MF［25］和LightGCN［26］作為骨干模型。

3.2.2 基線方法

a）BMSE［27］。該方法根據項目的流行度重新加權每個項目來去除流行度偏差，并以引入少量偏差為代價，進一步增加了歸一化，降低了方差。

b）CausPref［19］。該方法引入一個小的無偏數據集來監督模型在有偏數據集上的訓練過程，并利用L2正則化來強制讓兩組嵌入彼此相似。

c）DICE［23］。該方法通過學習因果嵌入來處理流行度偏差，具體而言，該方法基于解糾纏表征學習的思想將用戶與項目的表征分解為從眾興趣與真實興趣。

d）CD2AN［28］。該方法使用皮爾森相關系數將項目真實表征從流行度表征中解耦出來，并引入額外的負樣本來對齊熱門與長尾項目之間的項目流行度分布。

e）DENS［29］。該方法是一種基于解糾纏表征學習的復采樣方法，通過使用門控函數將負樣本表征解耦為相關因素與不相關因素，并根據解耦表征來選擇最佳的負樣本用于推薦預測訓練。但該方法并未考慮數據分布不均勻問題。

3.2.3 對比實驗性能分析

表2、3是各個方法在兩個數據集上得到的top-K推薦性能仿真結果。此外，本文還對沒有使用任何去偏差方法的MF和GCN模型進行了比較，其中對最優結果進行加粗標記。次優結果進行下畫線標記。根據對比結果，本文有如下分析：

a）本文方法在非IID場景下的兩個數據集上各項指標均有一定改進，優于當前最先進的基線方法。這表明DTDN成功將用戶和正負樣本的真實特征表征與干擾特征表征有效分離，同時在表征學習過程中減少了熱門項目與長尾項目表征分布的差異。此外，模型根據解耦特征表征能夠更準確地識別適合的正負樣本，從而更準確地預測用戶與項目之間的評分。

b）標量表征方法在不同數據集和指標上表現不穩定。例如，BMSE在MovieLens-10M數據集上提升了模型性能，但在Netflix數據集上效果有限；而CausE甚至導致模型性能下降。相比之下，使用解糾纏表征的去偏推薦模型例如DICE和CD2AN能顯著提升模型性能。這是因為在非IID場景下，模型缺乏測試數據的先驗信息，標量表征受各種偏差影響無法穩定反映用戶和項目特征表征。同時，DENS在各數據集上的指標均低于DTDN，表明平衡長尾與熱門項目之間的表征分布能有效提升模型性能。

c）DTDN可輕松集成到各種推薦模型中。除了在兩個數據集上取得最佳性能外，DTDN在MF和GCN骨干模型上也均優于其他基線方法。原因在于DTDN是基于交互數據生成方式進行特征解耦學習的，與骨干推薦模型相互獨立。

3.3 超參數調優分析

本文研究了損失函數中調整特征解耦模塊的權重參數α、遷移學習模塊的權重參數β以及負采樣率M對DTDN性能的影響，實驗中設定權重參數α和β的值從0到1，每次以0.1的增量進行參數實驗，設定負采樣率M的值從0到10，每次以2的增量進行參數實驗。圖3顯示了DTDN在Netflix數據集上NDCG@50隨著各個參數調整的變化。對此，本文有以下分析：

a）從圖3（a）可以看出，在α=0.1時，特征解耦模塊性能達到最優，α的值過大可能與推薦模型的主要交互預測任務相互矛盾，導致預測精度低。

b）從圖3（b）可以看出，在β=0.4時，遷移學習模塊性能達到最優，過小的β無法保證模塊發揮良好的作用，過大的β則會導致負遷移現象，影響最終測試的精度。

c）從圖3（c）可以看出，在M=8時，推薦模型的性能達到最優，M值過小時，模型會對負樣本的特征規律學習不全面，影響推薦預測性能；M值過大時，正樣本的信息會被大量負樣本所稀釋，模型無法準確學習正樣本的特征規律。

3.4 消融實驗分析

本文在Netflix數據集上進行了消融實驗，以驗證各組成部分的有效性。性能對比數據如表4所示，其中對最優結果進行加粗標記，通過對比實驗結果，得到以下分析：

a）將負采樣模塊替換為傳統隨機抽樣后，模型性能下降，表明負采樣模塊能獲取特定因素的數據集用于特征解耦學習。

b）將解糾纏表征學習替換為標量表征學習后，模型性能下降，說明特征解耦模塊有助于分離用戶和項目的真實特征表征與干擾特征表征。去除特征解耦模塊中的對比學習部分也導致性能下降，表明對比學習部分有效監督了解耦特征表征的質量。

c）去除遷移學習模塊后，模型性能下降，表明遷移學習模塊能對齊熱門項目與長尾項目的表征分布。去除樣本選擇器模塊后，模型性能也下降，說明該模塊能根據解耦特征表征篩選出高質量的正負樣本。

3.5 解糾纏表征與標量表征對比

采用解糾纏表征學習用戶及其正負樣本特征規律，能夠有效分離用戶和項目的真實特征表征與偏差因素。相比之下，使用標量表征會導致特征受偏差影響，降低模型性能。圖4展示了DTDN中使用解糾纏表征與標量表征的對比結果。

圖4中：j-s表示僅負樣本特征使用標量表征；u-s表示僅用戶特征使用標量表征；ij-s表示正負樣本特征都使用標量表征；uij-s表示用戶及正負樣本特征都使用標量表征。結果顯示，采用解糾纏表征學習用戶和正負樣本特征的模型性能明顯優于使用標量表征。這表明，標量表征無法有效消除偏差影響。此外，使用標量表征學習負樣本特征時性能下降，進一步說明不能將負樣本視為整體來處理。

3.6 表征可視化

為了更好地說明DTDN對模型的性能提升效果，本文使用t-SNE將模型學習到的項目表征在向量空間中可視化。圖5顯示了DTDN在Netflix數據集上學習到的項目表征，有如下分析：

a）圖中點代表干擾特征表征，叉代表真實特征表征。可清晰地觀察到兩者在分界線上有著明顯的分離，表明模型成功學習到了這兩種表征并保持了它們的獨立性。

b）基于項目流行度將項目分為三組：紅色表示熱門項目（見電子版），綠色表示正常項目，藍色表示長尾項目。在干擾特征表征中，相似流行度的項目表征呈現分層且接近的特點；而在真實特征表征中，不同流行度的項目表征相互混合。這表明模型通過遷移學習模塊成功將長尾項目與熱門項目的真實特征表征進行了對齊。

3.7 實例說明及分析

為了驗證本文去偏推薦方法的實際應用效果，在MovieLens-10M數據集上進行實際測試。本文選用LightGCN作為骨干模型，分別結合DTDN、BMSE以及CD2AN構建不同的推薦模型，并在數據集中選擇兩個具有明顯不同偏好的用戶A和B作為測試案例，當模型訓練完成后進行測試。

表5是用戶A和B觀看過的典型電影，從表中可以分析出用戶A偏好情感深邃、劇情豐富的影片，傾向于經典和小眾影片；用戶B則是偏好高強度、刺激感強的商業大片，并對動作和特效類影片情有獨鐘，更傾向于主流流行影片。

表6是三種推薦方法對用戶A和B的推薦結果。

通過對比結果，本文有如下分析：

a）CD2AN。向用戶A推薦的電影雖然都是知名熱門影片，但缺乏個性化考量。這些電影雖然受到廣泛歡迎，卻可能無法滿足新用戶A獨特的觀影偏好，導致推薦的同質化現象；向用戶B推薦的是經典影片，但缺乏新鮮感。這可能導致用戶B對推薦系統的厭倦感，無法有效激發其持續的觀看興趣。

b）BMSE。由于其本身策略是強制降低流行項目評分，并同時提升長尾項目評分，所以該方法向用戶A和B推薦的都是小眾電影，未能考慮用戶的實際偏好，可能會導致推薦結果的低相關性和用戶滿意度下降。

c）DTDN。向用戶A推薦的影片不僅是高評分的經典之作，還具備較高的藝術價值和創新性，體現了用戶A對深度內容的潛在需求；向用戶B則推薦了符合其偏好的熱門影片和小眾影片。這表明DTDN通過對用戶和項目進行解耦表征學習，能夠更好地捕捉新用戶的興趣，以及老用戶的復雜偏好，為用戶提供多樣化且與用戶偏好相符的推薦。

4 結束語

本文提出了一種融合遷移學習和解糾纏負采樣的去偏推薦方法。首先，利用交互行為中的對撞效應設計負采樣模塊對交互數據進行采樣，實現對用戶和正負樣本的解糾纏表征學習。其次，引入遷移學習技術將熱門項目與長尾項目的表征分布進行對齊，有效緩解了數據分布不均勻的問題。最后，通過樣本選擇器模塊去除訓練集中的固有偏差，促使模型更準確地學習用戶和項目特征規律，提升模型的推薦性能。

實驗結果顯示，DTDN在兩個公開數據集上表現優于其他基線方法。消融實驗進一步驗證了DTDN各個部分的有效性和合理性。解糾纏表征與標量表征的對比分析驗證了對負樣本進行解耦表征學習可以提升模型性能。未來可以考慮利用偏差有利的方面，使得模型可以及時掌握項目的流行趨勢與用戶的心理行為，進一步提升模型的性能。

參考文獻：

［1］Li Qian， Wang Xiangmeng， Wang Zhichao，et al. Be causal： de-biasing social network confounding in recommendation ［J］. ACM Trans on Knowledge Discovery from Data， 2023， 17（1）：1-23.

［2］Wang Wenjie， Lin Xinyu， Wang Liuhui，et al. Causal disentangled recommendation against user preference shifts ［J］. ACM Trans on Information Systems， 2023， 42（1）： 1-27.

［3］Chen Jiawei， Dong Hande， Wang Xiang，et al. Bias and debias in recommender system： a survey and future directions ［J］. ACM Trans on Information Systems， 2023， 41（3）： 1-39.

［4］Tang Jiakai， Shen Shiqi， Wang Zhipeng，et al. When fairness meets bias： a debiased framework for fairness aware top-N recommendation［C］// Proc of the 17th ACM Conference on Recommender Systems. New York： ACM Press， 2023： 200-210.

［5］郭楠， 黃慧慧. 面向偏差問題的推薦方法研究綜述 ［J］. 計算機應用研究， 2022， 39（10）： 2881-2890， 2915. （Guo Nan， Huang Huihui. Review of recommendation methods for problem of bias ［J］. Application Research of Computers， 2022， 39（10）： 2881-2890， 2915.）

［6］Gupta M， Parra C M， Dennehy D. Questioning racial and gender bias in AI-based recommendations：do espoused national cultural values matter？ ［J］. Information Systems Frontiers， 2022， 24（5）： 1465-1481.

［7］Langworthy B， Wu Yujie， Wang Molin. An overview of propensity score matching methods for clustered data ［J］. Statistical Methods in Medical Research， 2023， 32（4）： 641-655.

［8］Wang Wenjie， Feng Fuli， He Xiangnan，et al. Clicks can be chea-ting： counterfactual recommendation for mitigating clickbait issue［C］// Proc of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2021： 1288-1297.

［9］de Leon-Martinez S. Understanding user behavior in carousel recommendation systems for click modeling and learning to rank［C］// Proc of the 17th ACM International Conference on Web Search and Data Mining. New York： ACM Press， 2024： 1139-1141.

［10］張帥， 高旻， 文俊浩， 等. 基于自監督學習的去流行度偏差推薦方法 ［J］. 電子學報， 2022， 50（10）： 2361-2371. （Zhang Shuai， Gao Min， Wen Junhao， et al. Self-supervised learning for alleviating popularity bias in recommender systems ［J］. Acta Electronica Sinica， 2022， 50（10）： 2361-2371.）

［11］Zhang Xiaoying， Wang Hongning， Li Hang.Disentangled representation for diversified recommendations［C］// Proc of the 16th ACM International Conference on Web Search and Data Mining. New York： ACM Press， 2023： 490-498.

［12］Li Zijian， Cai Ruichu， Huang Haiqin，et al. Debiased model-based interactive recommendation ［EB/OL］. （2024-02-24）. https：//arxiv.org/abs/2402.15819.

［13］Zhang Yang， Feng Fuli， He Xiangnan，et al. Causal intervention for leveraging popularity bias in recommendation［C］// Proc of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2021： 11-20.

［14］Chen Zhihong， Xiao Rong， Li Chenliang，et al. ESAM： discriminative domain adaptation with non-displayed items to improve long-tail performance［C］// Proc of the 43rd International ACM SIGIR Confe-rence on Research and Development in Information Retrieval. New York： ACM Press， 2020： 579-588.

［15］武桐舟， 劉強， 王亮. 基于不確定性估計的推薦系統多任務學習去偏方法 ［J］. 南京大學學報： 自然科學， 2023， 59（4）： 543-549. （Wu Tongzhou， Liu Qiang， Wang Liang. De-biasing method for multi-task learning in recommender systems based on uncertainty estimation ［J］. Journal of Nanjing University： Natural Science， 2023， 59（4）： 543-549.）

［16］Gao Chen， Zheng Yu， Wang Wenjie，et al. Causal inference in recommender systems： a survey and future directions ［J］. ACM Trans on Information Systems， 2024， 42（4）： 1-32.

［17］Klimashevskaia A， Jannach D， Elahi M，et al. A survey on popularity bias in recommender systems ［J］. User Modeling and User-Adapted Interaction， 2024， 34（5）： 1777-1834.

［18］Kim M， Oh J， Do J，et al. Debiasing neighbor aggregation for graph neural network in recommender systems［C］// Proc of the 31st ACM International Conference on Information amp; Knowledge Management. New York： ACM Press， 2022： 4128-4132.

［19］He Yue， Wang Zimu， Cui Peng，et al. CausPref： causal preference learning for out-of-distribution recommendation［C］// Proc of ACM Web Conference 2022. New York： ACM Press， 2022： 410-421.

［20］Chen Jiawei， Dong Hande， Qiu Yang，et al. AutoDebias： learning to debias for recommendation［C］// Proc of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2021： 21-30.

［21］Liu Dugang， Cheng Pengxiang， Dong Zhenhua，et al. A general knowledge distillation framework for counterfactual recommendation via uniform data［C］// Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2020： 831-840.

［22］Xie Yueqi， Zhou Peilin， Kim S. Decoupled side information fusion for sequential recommendation［C］// Proc of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2022： 1611-1621.

［23］Zheng Yu， Gao Chen， Li Xiang，et al. Disentangling user interest and conformity for recommendation with causal embedding［C］// Proc of Web Conference 2021. New York： ACM Press， 2021： 2980-2991.

［24］朱海威， 武浩. 基于對比解耦學習的推薦系統流行度偏差緩解［J］. 云南大學學報： 自然科學版， 2025， 47（2）：1-9.（Zhu Haiwei， Wu Hao. Popularity bias mitigation in recommender systems via contrastive disentangled learning ［J］. Journal of Yunnan Univer-sity： Natural Sciences， 2025， 47（2）：1-9.）

［25］Rendle S， Freudenthaler C， Gantner Z， et al. BPR： Bayesian personalized ranking from implicit feedback ［EB/OL］. （2012-05-09） ［2024-09-29］. https：//arxiv. org/abs/1205.2618.

［26］He Xiangnan， Deng Kuan， Wang Xiang，et al. LightGCN： simpli-fying and powering graph convolution network for recommendation［C］// Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2020： 639-648.

［27］Li Haoxuan， Xiao Yanghao， Zheng Chunyuan， et al. Propensity matters： measuring and enhancing balancing for recommendation［C］// Proc of the 40th International Conference on Machine Learning. New York： PMLR.org， 2023： 20182-20194.

［28］Chen Zhihong， Wu Jiawei， Li Chenliang，et al. Co-training disentangled domain adaptation network for leveraging popularity bias in re-commenders［C］// Proc of the 45th International ACM SIGIR Confe-rence on Research and Development in Information Retrieval. New York： ACM Press， 2022： 60-69.

［29］Lai Riwei， Chen Li， Zhao Yuhan，et al. Disentangled negative sampling for collaborative filtering［C］// Proc of the 16th ACM International Conference on Web Search and Data Mining. New York： ACM Press， 2023： 96-104.