1.一种偏好预测方法，其特征是，包括：确定用户历史交互的第一对象集、受流行度偏差影响的第二对象集和受放大主观偏差影响的第三对象集；将所述第一对象集、所述第二对象集和所述第三对象集分别对应编码为第一独热向量、第二独热向量和第三独热向量；将所述第一独热向量、所述第二独热向量和所述第三独热向量分别输入至预先建立的变分自编码器，对应得到第一潜在语义向量、第二潜在语义向量和第三潜在语义向量；根据所述第一潜在语义向量、所述第二潜在语义向量和所述第三潜在语义向量，计算去偏潜在语义向量；将所述去偏潜在语义向量输入至预先建立的解码器，以预测用户偏好的对象；所述确定用户历史交互的第一对象集、受流行度偏差影响的第二对象集和受放大主观偏差影响的第三对象集，包括：获取用户历史交互的第一对象集；计算所述第一对象集中的每一对象的流行程度分数和匹配程度分数；将所述第一对象集中流行程度分数高于预设的第一流行程度值且匹配程度分数低于预设的第一匹配程度值的对象添加至所述第二对象集；将所述第一对象集中流行程度分数低于预设的第二流行程度值且匹配程度分数高于预设的第二匹配程度值的对象添加至所述第三对象集；所述流行程度分数的计算公式为： ；其中， 为针对用户 的对象 的流行程度分数， 为对象 被所有用户交互的次数， 包括用户 交互过的所有对象；所述匹配程度分数的计算公式为： ； ；其中， 为针对用户 的对象 的匹配程度分数， 为对象 的属性向量， 为用户 的属性向量。
2.如权利要求1所述的偏好预测方法，其特征是，所述将所述第一独热向量、所述第二独热向量和所述第三独热向量分别输入至预先建立的变分自编码器，对应得到第一潜在语义向量、第二潜在语义向量和第三潜在语义向量，包括：将所述第一独热向量、所述第二独热向量和所述第三独热向量分别输入至预先建立的解耦合变分自编码器，对应得到第一后验分布、第二后验分布和第三后验分布；从标准正太分布中随机采样向量；根据所述第一后验分布和所述采样向量，生成所述第一潜在语义向量；根据所述第二后验分布和所述采样向量，生成所述第二潜在语义向量；根据所述第三后验分布和所述采样向量，生成所述第三潜在语义向量。
3.如权利要求2所述的偏好预测方法，其特征是，所述第一潜在语义向量的生成公式为： ；其中， 为所述第一潜在语义向量， 为所述第一后验分布中的平均值向量， 为所述第一后验分布中的方差向量， 为所述采样向量；所述第二潜在语义向量的生成公式为： ；其中， 为所述第二潜在语义向量， 为所述第二后验分布中的平均值向量， 为所述第二后验分布中的方差向量；所述第三潜在语义向量的生成公式为： ；其中， 为所述第三潜在语义向量， 为所述第三后验分布中的平均值向量， 为所述第三后验分布中的方差向量；所述去偏潜在语义向量的计算公式为： 。
4.如权利要求1所述的偏好预测方法，其特征是，所述方法还包括：将所述第二潜在语义向量输入至所述解码器，以预测用户受流行度偏差影响的偏好对象；将所述第三潜在语义向量输入至所述解码器，以预测用户受放大主观偏差影响的偏好对象。
5.如权利要求1所述的偏好预测方法，其特征是，所述方法还包括：针对每一对象，预测用户不受流行度偏差影响且不受放大主观偏差影响的第一偏好评分，不受流行度偏差影响的第二偏好评分，以及不受放大主观偏差影响的第三偏好评分；将所述第一偏好评分最高的N1个对象添加至所述第一对象集；将所述第二偏好评分最高的N2个对象添加至所述第三对象集；将所述第三偏好评分最高的N3个对象添加至所述第二对象集。
6.如权利要求5所述的偏好预测方法，其特征是，所述针对每一对象，预测用户不受流行度偏差影响且不受放大主观偏差影响的第一偏好评分，不受流行度偏差影响的第二偏好评分，以及不受放大主观偏差影响的第三偏好评分，包括：针对每一对象，基于匹配程度外生变量和流行程度外生变量，构建结构化模型；设置所述匹配程度外生向量和所述流行程度外生变量服从标准正态分布，使所述结构化模型预测用户不受流行度偏差影响且不受放大主观偏差影响的第一偏好评分；设置所述流行程度外生变量服从标准正太分布，设置所述匹配程度外生向量服从预先训练的后验分布，使所述结构化模型预测用户不受流行度偏差影响的第二偏好评分；设置所述匹配程度外生向量服从标准正太分布，设置所述流行程度外生变量服从预先训练的后验分布，使所述结构化模型预测用户不受放大主观偏差影响的第三偏好评分。
7.一种电子设备，其特征是，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的偏好预测方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至6任意一项所述的偏好预测方法。
