现实中推荐系统通常遭受着各种各样的偏置问题，例如曝光偏置、位置偏置和选择偏置。一个忽略偏置问题的推荐模型不能反映推荐系统的真实性能，且对于用户而言可能是不可信任的。先前的工作已经表明基于倾向得分估计的推荐模型能够有效缓解隐式反馈数据的曝光偏置，但是通常只考虑通过物品信息来估计倾向得分，这可能导致倾向得分估计不准确。为了提高倾向得分估计的准确性，提出配对倾向得分估计（MPE）方法。具体来说，该方法引入了用户流行度偏好的概念，通过计算用户流行度偏好和物品流行度的配对程度来对样本曝光率进行更加精确的建模，最后将提出的估计方法和一个主流的传统推荐模型以及一个无偏推荐模型进行集成并和包括前两者的三个基线模型进行对比。在公开数据集上的实验结果表明，结合MPE方法后的模型分别相比对应的基线模型在召回率、折损累计增益（DCG）和平均准确率（MAP）这三个评估指标上均有显著的提升；此外，通过实验结果还观察到性能的增益有很大一部分来自长尾物品，可见所提方法有助于提升推荐物品的多样性与覆盖率。
