摘要:隐式反馈数据是推荐系统的重要数据来源, 但通常是稀疏的, 并且存在曝光偏差和从众偏差. 已知的去偏方法往往只针对其中一种偏差, 影响个性化推荐的效果, 或者需要一个昂贵的无偏数据集作为多重去偏的辅助信息. 为此, 本文提出了一个适用于稀疏隐式反馈数据, 同时对曝光偏差和从众偏差去偏的协同过滤推荐算法. 该算法通过我们提出的双重逆倾向加权方法和对比学习辅助任务去除输入双塔自编码器的隐式反馈数据中包含的两种偏差, 估计用户对物品的偏好概率. 实验结果显示, 本文的算法在公开无偏数据集Coat、Yahoo!R3上, 归一化折扣累积增益NDCG@K、均值平均精度MAP@K和召回率Recall@K优于对比的算法.