推荐系统的bias有很多：position bias, popularity pias, selection bias, exposure bias, conformity bias （从众心理）等，针对不同的bias有不同的模型来解决。核心的问题还是，这些bias导致一部分优秀的item underestimate或者underperform，为了更公正的推出这些item，需要去掉这些bias。
基本的debias操作可以是
1. IPS (inverse popensity score)，也称为re-weighting。核心假设是，模型之所以有bias，是因为在训练集中，越popular（popular是上面各种bias的结果）的item，算loss的次数越多，因此模型倾向于给这些item更低的loss，也就是说更不容易over/under-estimate；但是对于不popular的，可能存在under-estimate（why not overestimate？）。因此解决思路就是在训练的时候，根据popensity score给item的loss乘上一个IPS，以达到降权的目的。缺点是high variance，因为1/ps是一个很大的值，乘在loss上面会导致variance很大。
2. Imputation (re-labeling)，主治selection bias。即在训练的时候，给没有打上label的打上一个伪标签。缺点是label的strategy很重要。
2.5 这两个一起作用，叫做doubly robust。其实不是两个都robust，是两个加起来才robust。[2]
3. Generative model。这种类似于多阶段建模，或者是multi-source 建模，假设数据的生成过程由多个阶段构成（如点击=view*interest), 然后分别建模view的概率和interest的概率。然后用interest的概率作为label去训练。缺点是strong assumption。
其实3的思路再发展一下就是后面因果推断的思路，只是generative model的建模通常只考虑单因素，但是实际上影响到item的最终评分是由多因素决定的，也就是所谓的causal graph。为了更完整的建模整个链条，采用了casual的语言来描述这个generative的过程，然后建模，并且推断，当缺少某一个node的时候（do），真实概率是多少。
[2] Doubly Robust Joint Learning for Recommendation on Data Missing Not at Random. 只要是sparse rating，不管是因为selection/conform/exposure还是别的原因，只要是需要解决sparse rating的问题，那就可以用这个方法。
[3] Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System.
主要参考资料：https://xx.woa.com/articles/show/596599
标签：debias,loss,selection,建模,item,bias,推断,popular,因果 From： https://www.cnblogs.com/kunrenzhilu/p/18016327