计算机科学与技术学院移动智能计算团队（MIC Lab）的论文 “GS2-RS: A Generative Approach for Alleviating Cold Start and Filter Bubbles in Recommender Systems” 被IEEE TKDE（CCF A）录用。论文共四位作者：徐原博副教授，王恩教授（通讯作者），杨永健教授，熊辉教授。
推荐系统（RSs）常面临冷启动和过滤气泡问题，导致用户对熟悉的、重复的推荐感到厌倦。现有模型通常分别处理这两个问题，忽略了它们之间的相互强化作用。为此，我们设计了一种新的惊喜导向推荐系统——生成自约束惊喜推荐系统（GS2-RS），从用户自身提取兴趣和满意度偏好，并利用孪生条件生成对抗网络生成虚拟邻居的偏好，而非依赖真实邻居。接着，它识别出候选项目中低兴趣但高满意度的惊喜项目，以增加推荐项目的多样性，缓解过滤气泡问题。通过门机制应用到细粒度偏好上，获得这些惊喜项目，并将其反向注入原始用户-项目评分矩阵，构建相对密集的矩阵作为主干RS模型的输入。该系统在一个统一框架内解决冷启动和过滤气泡问题，无需额外辅助信息，增强了推荐模型的可解释性。实验表明，该系统在准确性和惊喜度方面优于现有模型，并可以作为预处理步骤集成到现有的推荐系统中以增强其性能。
计算机科学与技术学院移动智能计算团队（MIC Lab）的论文 “Learning without Missing-At-Random Prior Propensity-A Generative Approach for Recommender Systems” 被IEEE TKDE（CCF A）录用。论文共五位作者：徐原博副教授，庄福振教授，王恩教授（通讯作者），李朝卓教授，吴杰教授。
在推荐系统中，处理用户评分数据的缺失是一个重要挑战。常假设缺失值为“随机缺失”（MAR），即评分是否被观察到与其实际值无关。然而，现实中用户更可能对极端喜恶的项目打分，导致“非随机缺失”（MNAR）问题。我们提出通过探索MAR和MNAR反馈的一致性，在无需MAR先验信息的情况下预测MNAR评分。研究表明，用户偏好可以作为两者共同的先验倾向。我们开发了轻量级迭代概率矩阵分解框架（lightIPMF），利用从MNAR数据中提取的用户偏好来估算MNAR反馈。实验显示，这种方法有效提高了MNAR反馈的估计精度，且性能优于现有方法，证明了其在真实世界应用中的潜力，提供了解决复杂数据缺失问题的新路径。
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。
