推荐系统在互联网领域扮演着越来越重要的角色，因为它们可以根据用户 的兴趣和需求推荐适当的内容、商品和服务。然而，在实际应用中，推荐系统往 往受到各种偏见的影响，导致推荐结果不尽人意。因此，在推荐系统领域，去偏 见研究具有重要意义。本文分析了现有的推荐系统去偏见方法，发现现有的方法 效果受到误差插补值的误差和逆概率加权得分方差的影响。因此，我们提出了一 种基于不确定度估计的推荐系统去偏见框架（UEB），通过降低误差插补值的误 差，并优化预测模型和插补模型的损失函数，最终提高推荐系统的性能表现。然 而，UEB 引入了不确定度估计模块，导致了计算开销提高，训练时间增加，降 低了实际情景的可用性。因此，本文还提出在推荐系统中采用神经随机微分方程 模型（SDE）来对推荐系统数据进行预处理，从而降低 UEB 的计算开销。 UEB 包含预测模型与误差插补模型，在误差插补模型中引入不确定度估计 模块，通过对误差插补模型输出的伪标签进行不确定度估计，来实现降低误差插 补值的误差，最终降低预测结果的偏差。为了验证 UEB 的有效性，本文在 Yahoo! R3 和 Coat 数据集上进行了一系列实验，并将结果与现有方法在多种指标下进行 了比较，实验结果证明了 UEB 的有效性。此外，还通过不同的不确定度估计实 现与不同的参数设定进行了一系列实验，验证了 UEB 的稳定性。 UEB 引入了不确定度估计模块，提高了计算成本。为降低计算成本，本文 提出将 SDE 应用在推荐系统对数据进行预处理。神经网络，尤其是残差网络 （ResNet），与动态系统密切相关，使得神经网络层之间的关系可以用常微分方 程来描述。通过引入扰动项，常微分方程可以改写为能够测量不确定度的 SDE。 SDE 由两个部分组成：（1）用于控制动态系统以适应预测函数的漂移网络；（2） 用于捕捉不确定度的扩散网络。SDE 能够在只训练一次的情况下输出不同的结 果，通过对漂移网络多次采样，利用漂移网络的输出来衡量置信度，并以此来进 行不确定度估计并对数据进行预处理。本文在 Yahoo! R3 和 Coat 数据集进行了 一系列实验，并与现有方法的运行时间、模型参数量和运算符点数（MFLOPS） 进行了比较。结果显示 SDE 能够一定程度降低计算时间和计算复杂度。同时我 们也在推荐任务里对比了 SDE 和现有方法的推荐性能，证明了 SDE 能够降低计 算代价的同时保持优秀的推荐性能。 综上所述，本文主要贡献有两点：第一点，现有的去偏方法饱受误差插补值 的高误差和逆概率加权得分高方差的困扰，基于此我们提出了 UEB，通过实验 证明，UEB 能有效且稳定的提高推荐系统的性能表现。第二点，由于 UEB 引入 了不确定度估计模块，提高了计算成本。本文提出将 SDE 应用在推荐系统对数 据进行预处理，实验表明该方法能够降低计算代价的同时保持优秀的推荐性能。