近日👨🏽‍🔧，我院孫國豪老師課題組在推薦系統領域的研究工作發表在CCF A類會議SIGIR 2023 上，這也是該課題組在推薦系統領域取得的系列重要進展之一。到目前為止🧗，課題組已經在POI推薦🍢、基於圖對比學習（GCL）的推薦系統和跨域推薦等問題取得了系列重要多項進展，發表了多篇CCF A類會議論文。

孫國豪老師對進展情況介紹如下：

（一）為了解決地點推薦中無法捕捉到用戶的動態偏好🟥，同時大多將用戶到POI的距離/時間視為客觀的因素忽略了個人對距離/時間的接受程度的問題，我們提出了一個時空圖卷積註意網絡（STGCAN），探索時空鄰域信息來模擬用戶的POI偏好。

為了克服現有的基於序列和基於Knowledge Graph (KG)的推薦方法的局限性，我們在POI推薦中引入了帶有時間信息的知識圖（稱為TKG）🚣🏼，包括用戶和帶有時間戳的位置。在TKG中🪅，考慮了用戶對位置的個人偏好，並使用了註意機製來衡量每個用戶對距離和時間的接受程度。在該方法中我們構建了一個包含用戶和位置實體的時間知識圖，並通過鄰居聚合應用用戶/位置感受野來捕獲它們的動態表示，應用時空間隔感知註意層來利用用戶內部和用戶之間具有註意機製的時空間隔🤗🥙。

該項工作成果發表於IJCAI 2021（CCF A）中，計算機沐鸣2020級研究生王曉琳和孫國豪老師為共同第一作者，方秀老師為通訊作者。

（二）最近，圖神經網絡（GNN）已經成為一種主流的推薦系統方法，它通過對用戶-項目交互圖進行卷積運算來捕捉節點之間的高階協作信號🥛，以預測用戶對不同項目的偏好。然而，在真實場景中🙌🏻🕸，用戶-項目交互圖極其稀疏，這意味著大量用戶只與少量項目進行交互🐈‍⬛，導致GNN無法學習高質量的節點嵌入🧙🏼‍♀️。

為了解決這一問題，我們提出了一種基於圖對比學習（GCL）的推薦系統方法。圖對比學習通過最大化正對的相似度和最小化負對的相似度來提高嵌入質量。然而✴️，大多數基於GCL的方法使用啟發式數據增強方法，即隨機節點/邊緣丟棄和屬性掩蔽🎃，來構建對比對，導致重要信息的丟失🧙🏻‍♀️。為了解決基於GCL的方法中的問題👳🏼‍♀️，我們提出了一種新的圖對比方法用於推薦，名為CGCL。

在CGCL中，我們在不同層次的嵌入中探索用戶和候選項之間的關系𓀑🐴，並使用相似的語義嵌入來構建對比對👵🏿。通過我們提出的CGCL，我們構建了結構鄰居對比學習對象👨🏿‍💼、候選對比學習對象和候選結構鄰居對比研究對象，以獲得高質量的節點嵌入。

該項工作成果發表於SIGIR 2023（CCF A）中✔️，計算機沐鸣2021級研究生何威和孫國豪老師為共同第一作者🤦🏼‍♂️，方秀老師為通訊作者。

（三）跨域推薦（CDR）是利用來自輔助域的相對更豐富的信息來提高稀疏域（也稱為單目標CDR）中的性能。近年來🧛🏿，人們提出了雙目標CDR來同時提高兩個領域的推薦性能。現有的雙目標CDR方法是基於普通用戶來實現領域之間的知識轉移。我們認為🎛，現有的方法面臨兩個挑戰：（1）如何在每個領域中學習更具代表性的用戶和項目嵌入⚄，以及（2）在現實世界數據集中只有少量普通用戶的情況下🍱，如何實現更好的知識轉移。

為了應對這些挑戰，我們提出了一個對比學習（CL）框架，稱為CL-DTCDR。在CL-DTCDR中🦧，我們首先在每個領域中設計一個CL任務，以學習更具代表性的用戶和項目嵌入。然後，我們進一步在域之間構建用戶和她/他的最相似用戶的正對➕🛷，以優化用戶嵌入👩‍👧‍👦。通過兩個CL任務，CL-DTCDR有效地提高了兩個領域的性能。該項工作發表於ACM MM 2023（CCF A）中👨🏻‍🦳⛓。

該項工作發表於ACM MM 2023（CCF A）中，計算機沐鸣2020級博士生陸金虎為第一作者◽️，孫國豪老師為通訊作者🗺。