推荐系统作为解决信息过载的一种重要手段，已经在不同的应用场景下取得了不错的效果。近些年来关于推荐系统的研究主要集中在如何设计更好的模型来适应用户行为数据，进而提升推荐质量。然而，由于用户行为数据是观察所得(Observational)而不是实验所得(Experimental)，因此会存在各种偏差（bias），如用户对物品的选择偏差、系统对物品的曝光偏差等，直接拿模型拟合数据而忽视偏差会导致性能欠佳，在一定程度上也损害了用户对推荐系统的体验和信任，因此，去除推荐系统偏差（Recommendation debias）已经成为推荐系统领域研究的一个新方向。
本资源整理了最近几年推荐系统中去偏差相关的论文和代码，分享给大家。
资源整理自网络，源地址：https://github.com/jiawei-chen/RecDebiasing
内容截图
DeepLearning_NLP
深度学习与NLP
