您当前位置: 首页  >  新闻中心  >  学院新闻  >  正文

学院新闻

徐原博副教授在数据挖掘领域国际顶级期刊IEEE TKDE发表2篇论文

发布日期:2023-09-19 发布人: 点击量:

  移动智能计算团队的论文“GS2-RS: A Generative Approach for Alleviating Cold start and Filter bubbles in Recommender Systems”IEEE TKDE录用。论文的第一作者为计算机科学与技术学院徐原博副教授。通讯作者为团队内王恩教授,作者还包括香港科技大学的熊辉教授(AAAS Fellow, IEEE Fellow),以及杨永健教授


  推荐系统(RS)通常会面临冷启动问题和过滤气泡问题。当用户遇到熟悉的、重复的、甚至可预测的推荐时,会使他们感到无聊和不满意。解决这些问题的关键是了解用户的细粒度偏好,并推荐偏离用户历史商品的有吸引力且未探索过的商品。然而,现有模型单独考虑冷启动或过滤气泡问题,而忽略了它们可以相互作用并加倍损害模型的精度。为此,我们设计了一种新颖的偶然性导向的推荐系统(Generative Self-constrained Serendipitous Recommender SystemGS2-RS),它生成用户的细粒度偏好以提高推荐性能。GS2-RS在统一框架中解决了冷启动和过滤气泡问题,无需任何额外的辅助信息,并丰富了推荐模型的可解释性。我们在四个真实世界基准数据集上全面验证 GS2-RS 解决冷启动和过滤气泡问题的能力。大量实验表明 GS2-RS 在准确性、偶然性和可解释性方面优于最先进的模型。此外,我们可以将我们的模型作为预处理过程插入现有的推荐系统中,以提高其性能。


  移动智能计算团队的论文“Zone-Enhanced Spatio-Temporal Representation Learning for Urban POI Recommendation”IEEE TKDE录用。论文的第一作者为计算机科学与技术学院王恩教授。第二及通讯作者为徐原博副教授,作者还包括团队内2022级博士研究生姜毅恒,硕士研究生杨福康以及天普的吴杰教授(AAAS Fellow, IEEE Fellow)。


  我们首先从 POI 方面探讨推荐的可解释性,即对于特定的 POI,其功能通常会随着时间而变化,因此用单个固定潜在向量表示 POI 不足以描述 POI 的动态性质。此外,POI 的签到操作也会受到其所在区域的影响。换句话说,从 POI 分布、路段和历史签到中学习到的区域嵌入可以共同用于增强 POI 嵌入。沿着这个思路,我们提出了一种时区空间 POI 嵌入模型(ToP),它集成了多知识图和主题模型,不仅将时空效应引入 POI 嵌入中,还引入了情感约束,以增强可解释性的推荐。具体来说,ToP通过知识图谱学习,在空间约束的不同时期学习一个POI的多个潜在向量。为了添加情感约束,ToP 将这些向量与主题模型学习到的区域表示联合结合起来,以提出可解释的建议。ToP考虑时间、空间、统一的嵌入框架中的 POI 和情感,这有利于 POI 推荐。对真实长春城市数据集的大量实验表明,ToP 在通用指标方面实现了最先进的性能,并为消费者的 POI 签到操作提供了更多见解。


    IEEE TKDE全称IEEE Transactions on Knowledge and Data Engineering,是中国计算机学会推荐的A类顶级国际期刊,在数据挖掘领域享有极高的学术声誉,影响因子指数8.9。