摘要：个性化推荐系统在生成推荐列表时，通常过度关注流行的物品，忽视了用户对推荐集合的相关性和多样性的需求.因此，消除推荐系统中的流行度偏差成为了一个广泛关注的问题.尽管最先进的因果推断方法已经揭示了用户-物品交互与流行度之间的复杂联系，并在减轻流行度偏差方面取得了一定成效，但现有研究往往未能对流行度分布的时间动态性进行建模，导致去偏不彻底，进而影响推荐结果的多样性.因此，提出了一种创新的去偏机制—用户对物品流行度和质量偏好的建模（modeling popularity and quality preference of users, MPQP），旨在解决流行度偏差对推荐模型的影响.具体来说，MPQP在因果推断过程中引入了时间分隔的物品流行度分布，以捕捉用户对流行度的偏好.此外，MPQP还纳入了物品质量分布，以模拟用户对质量的偏好.实验结果表明，MPQP在性能上明显超越了当前最先进的基准方法.
