1.一种基于公平表示学习的推荐方法，包括：获取用户历史交互的项目集合，以及每个项目历史交互过的用户集合，作为用户－项目的邻域信息；根据获取的邻域信息，采用邻域聚合机制对用户集合和项目集合进行表示向量的预训练，得到用户预训练表示向量和项目预训练表示向量，包括：构建用户－项目交互矩阵R；其中，如果用户u与项目i发生过交互，则R ui ＝1，否则R ui ＝0；根据交互矩阵R，得到邻接矩阵A的计算公式如下：其中，R T 表示矩阵R的转置矩阵；对邻接矩阵A中的元素进行指数运算实现指数加权，将指数加权后的邻接矩阵A中的每个元素加上阈值得到加权邻接矩阵A'；分别初始化用户和项目的表示向量矩阵E(0)；根据加权邻接矩阵A'和度矩阵D，分别迭代更新用户和项目的表示向量矩阵E(k+1)；表示向量矩阵E(k+1)的更新公式如下：其中，A'为加权邻接矩阵，D为度矩阵，度矩阵D为对角矩阵，对角元素为每个节点的度数，节点表示用户和项目，节点的度数通过对邻接矩阵A的每行或者每列的元素求和得到； 是归一化转置矩阵，β是指数权重参数，指数β的取值范围为0至1；将迭代收敛后的E(k)作为用户预训练表示向量和项目预训练表示向量的输出；对用户预训练表示向量进行去偏差处理，得到去偏差用户表示向量，包括：根据用户属性将用户划分为多个组别；分别计算每个组别用户预训练表示向量的均值，作为对应组别的偏差向量，根据各组别的偏差向量，得到用户属性的总体偏差向量；对获取的总体偏差向量进行正交化处理，得到正交化偏差向量；将用户预训练表示向量与正交化偏差向量相减，得到去偏差用户表示向量；构建推荐模型，将去偏差用户表示向量和项目预训练表示向量作为输入，训练推荐模型；根据训练后的推荐模型，对用户－项目进行评分预测；根据评分预测结果，筛选得到候选推荐列表。
2.根据权利要求1所述的基于公平表示学习的推荐方法，其特征在于：分别计算每个组别用户预训练表示向量的均值，包括：对其中的男性(m)组别，用户预训练表示向量的均值的计算公式如下：其中，e[i]是预训练用户向量，N m 表示男性组别中的用户数量，i表示男性组别中的第i个用户，v m 为对男性组别中用户预训练表示向量的均值。
3.根据权利要求2所述的基于公平表示学习的推荐方法，其特征在于：得到用户属性的总体偏差向量，公式：v bias_1 ＝v f -v unv bias_2 ＝v un -v mv bias_3 ＝v m -v f其中，v f 表示女性组别中用户预训练表示向量的均值，v un 表示不确定组别中用户预训练表示向量的均值，v m 为对男性组别中用户预训练表示向量的均值，v bias1 表示男性组别与女性组别之间的偏差；v bias2 表示男性组别与不确定组别之间的偏差；v bias3 表示女性组别与不确定组别之间的偏差。
4.根据权利要求3所述的基于公平表示学习的推荐方法，其特征在于：将用户预训练表示向量与正交化偏差向量相减，得到去偏差用户表示向量，包括：对用户属性的总体偏差向量进行格拉姆-施密特正交化，得到正交化偏差向量；根据如下公式计算去偏差用户表示向量：其中，α是可调参数，v bias_j 为正交化后的偏差向量，<e[i],v bias_j >为预训练的用户向量和偏差向量的内积运算，j表示第j个正交化后的偏差向量。
