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。

在推荐系统领域，大部分现有的工作主要关注仅有一种类型的用户反馈（如购买反馈）的单类协同过滤（OCCF）问题。然而，在现实的应用中，用户的反馈往往是异构的，因此如何对用户的异构反馈进行建模从而准确刻画用户的真实偏好成为了一个新的挑战。围绕异构单类协同过滤（HOCCF）问题（包含了用户的购买反馈和浏览反馈），提出了一个迁移学习解决方案——阶段式变分自编码器（SVAE）模型。首先，将用户的浏览反馈当作辅助数据，以多项式变分自编码器（Multi-VAE）为基础模型学习并生成隐特征向量；然后迁移该隐特征向量到另一路Multi-VAE，用于帮助该Multi-VAE对用户的目标数据（即购买反馈）进行建模。三个真实数据集上的实验结果显示，在多数情况下，SVAE模型在精确度（Precision@5）、归一化折损累计增益（NDCG@5）等重要指标上的表现显著优于其他流行的推荐算法，验证了所提模型的有效性。