我院孙国豪老师课题组在推荐系统领域研究取得系列重要进展


 近日,我院孙国豪老师课题组在推荐系统领域的研究工作发表在CCF A类会议SIGIR 2023 上,这也是该课题组在推荐系统领域取得的系列重要进展之一。到目前为止,课题组已经在POI推荐、基于图对比学习(GCL)的推荐系统和跨域推荐等问题取得了系列重要多项进展,发表了多篇CCF A类会议论文。


孙国豪老师对进展情况介绍如下:

(一)为了解决地点推荐中无法捕捉到用户的动态偏好,同时大多将用户到POI的距离/时间视为客观的因素忽略了个人对距离/时间的接受程度的问题,我们提出了一个时空图卷积注意网络(STGCAN),探索时空邻域信息来模拟用户的POI偏好。

为了克服现有的基于序列和基于Knowledge Graph (KG)的推荐方法的局限性,我们在POI推荐中引入了带有时间信息的知识图(称为TKG),包括用户和带有时间戳的位置。在TKG中,考虑了用户对位置的个人偏好,并使用了注意机制来衡量每个用户对距离和时间的接受程度。在该方法中我们构建了一个包含用户和位置实体的时间知识图,并通过邻居聚合应用用户/位置感受野来捕获它们的动态表示,应用时空间隔感知注意层来利用用户内部和用户之间具有注意机制的时空间隔。

该项工作成果发表于IJCAI 2021CCF A)中,计算机学院2020级研究生王晓琳和孙国豪老师为共同第一作者,方秀老师为通讯作者。

(二)最近,图神经网络(GNN)已经成为一种主流的推荐系统方法,它通过对用户-项目交互图进行卷积运算来捕捉节点之间的高阶协作信号,以预测用户对不同项目的偏好。然而,在真实场景中,用户-项目交互图极其稀疏,这意味着大量用户只与少量项目进行交互,导致GNN无法学习高质量的节点嵌入。

为了解决这一问题,我们提出了一种基于图对比学习(GCL)的推荐系统方法。图对比学习通过最大化正对的相似度和最小化负对的相似度来提高嵌入质量。然而,大多数基于GCL的方法使用启发式数据增强方法,即随机节点/边缘丢弃和属性掩蔽,来构建对比对,导致重要信息的丢失。为了解决基于GCL的方法中的问题,我们提出了一种新的图对比方法用于推荐,名为CGCL

CGCL中,我们在不同层次的嵌入中探索用户和候选项之间的关系,并使用相似的语义嵌入来构建对比对。通过我们提出的CGCL,我们构建了结构邻居对比学习对象、候选对比学习对象和候选结构邻居对比研究对象,以获得高质量的节点嵌入。

该项工作成果发表于SIGIR 2023CCF A)中,计算机学院2021级研究生何威和孙国豪老师为共同第一作者,方秀老师为通讯作者。

(三)跨域推荐(CDR)是利用来自辅助域的相对更丰富的信息来提高稀疏域(也称为单目标CDR)中的性能。近年来,人们提出了双目标CDR来同时提高两个领域的推荐性能。现有的双目标CDR方法是基于普通用户来实现领域之间的知识转移。我们认为,现有的方法面临两个挑战:(1)如何在每个领域中学习更具代表性的用户和项目嵌入,以及(2)在现实世界数据集中只有少量普通用户的情况下,如何实现更好的知识转移。

为了应对这些挑战,我们提出了一个对比学习(CL)框架,称为CL-DTCDR。在CL-DTCDR中,我们首先在每个领域中设计一个CL任务,以学习更具代表性的用户和项目嵌入。然后,我们进一步在域之间构建用户和她/他的最相似用户的正对,以优化用户嵌入。通过两个CL任务,CL-DTCDR有效地提高了两个领域的性能。该项工作发表于ACM MM 2023CCF A)中。


该项工作发表于ACM MM 2023CCF A)中,计算机学院2020级博士生陆金虎为第一作者,孙国豪老师为通讯作者。