1.一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，包括：

获取用户评分数据集；

构建知识蒸馏去偏推荐模型，其中，构建两个教师模型和一个学生模型，根据用户评分数据集生成观测数据的因果路径；基于量化选择偏差的因果效应补充未观测数据的因果路径；利用两个教师模型分别在观测数据的因果路径和未观测数据的因果路径进行预测，生成无偏软标签；

基于无偏软标签对学生模型进行知识蒸馏，得到知识蒸馏去偏推荐模型；

利用知识蒸馏去偏推荐模型进行用户预测。

2.根据权利要求1所述的一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，所述获取用户观测评分数据，包括获取观测到的用户对商品的评分数据，其中，设 为M个用户的集合， 为N个物品的集合；将

表示为从用户交互历史中收集到的真实反馈标签矩阵，其中的每个项目

表示用户 对物品的真实评分。

3.根据权利要求2所述的一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，所述根据用户评分数据集生成观测数据的因果路径，包括将用户观测评分数据输入到显示反馈教师模型中，显示反馈教师模型根据观测到的数据进行预测，生成软标签，所述生成软标签的路径作为观测数据的因果路径。

4.根据权利要求3所述的一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，所述基于量化选择偏差的因果效应补充未观测数据的因果路径，包括求解点击数据   情况下的有偏因果效应公式和未观测数据 情况下的因果效应公式，其中，让  表示在条件分布   下的随机变量，其中变量 被干预为特

定值  ，变量   对   的因果效应表示为随着  值的变化，值的变化情况，因此，对于用户  ，沿路径   时，  对   的因果效应公式表示为：其中   表示基准情况，用于比较，该公式表示为在   条件下和基准情况   下的差异。

5.根据权利要求4所述的一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，所述基于量化选择偏差的因果效应补充未观测数据的因果路径，还包括通过合并有偏因果效应公式和因果效果公式得到无偏因果效应公式，通过无偏因果效应公式综合两条路径的无偏因果效应，用于生成无偏软标签，无偏因果效应公式表示为：其中，用户 ；物品 ；无偏软标签  。

6.根据权利要求5所述的一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，所述利用Debiasing‑KD方法分别对观测数据的因果路径和未观测数据的因果路径进行去偏知识蒸馏，生成无偏软标签，包括基于Debiasing‑KD方法进行去偏知识蒸馏，其中，利用显示反馈教师模型作用于观测到的用户反馈数据得到的因果路径；利用隐式反馈教师模型作用于未观测到的用户反馈数据得到的因果路径，最终生成无偏软标签。

7.根据权利要求6所述的一种基于因果理论的知识蒸馏去偏推荐方法，其特征在于，所述基于无偏软标签对学生模型进行知识蒸馏，得到知识蒸馏去偏推荐模型，包括利用学生模型以无偏软标签作为拟合目标进行学习，基于无偏软标签编码的教师模型所学到的知识，基于损失函数使学生模型在学习过程中学习到无偏软标签中的教师模型知识，学生模型训练损失函数表示为：其中  为学生模型预测值与无偏软标签的拟合损失函数。

8.一种基于因果理论的知识蒸馏去偏推荐系统，其特征在于，包括：

数据获取模块，被配置为，获取用户评分数据集；

模型构建模块，被配置为，构建知识蒸馏去偏推荐模型，其中，构建两个教师模型和一个学生模型，根据用户评分数据集生成观测数据的因果路径；基于量化选择偏差的因果效应补充未观测数据的因果路径；利用两个教师模型分别在观测数据的因果路径和未观测数据的因果路径进行预测，生成无偏软标签；

知识蒸馏模块，被配置为，基于无偏软标签对学生模型进行知识蒸馏，得到知识蒸馏去偏推荐模型；

预测模块，被配置为，利用知识蒸馏去偏推荐模型进行用户预测。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的方法。

10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的方法。