摘要
本发明提出了一种用于缓解推荐系统中流行度偏差的双教师双边公平性蒸馏框架。现有缓解流行度偏差的方法通常依赖于敏感信息(如人口统计数据和项目属性)，但由于政策和法律限制，这些信息难以完全获取，导致现有方法在实际应用中存在局限性。本发明通过数据增强和随机选择生成两个无偏数据集，并利用这两个数据集分别训练用户侧和项目侧的公平性专家模型。这些专家模型构建了一个合成教师，用于向学生模型传授更公平的知识。同时，本发明还通过动态调整算法，以平衡合成教师和基于原始数据训练的准确性教师对学生模型的影响，从而实现公平性与准确性的更好平衡。
