近日，数据科学学院杜军威教授团队的两篇论文被第47届国际计算机学会信息检索会议（SIGIR）录用。两篇文章均为青岛科技大学第一单位和唯一通讯单位，第一作者为学校博士研究生李浩杰、通讯作者为杜军威教授。
据悉，国际计算机学会信息检索会议（InternationalACM SIGIR Conference on Research and Development in Information Retrieval，简称SIGIR）是人工智能领域信息检索方向最权威的顶级国际会议，也是中国计算机学会（CCF）推荐的A类国际学术会议。第47届年会将于2024年7月在美国华盛顿召开。
论文题目：Intent Distribution based Bipartite Graph Representation Learning
作者：李浩杰 魏威 刘冠峰（麦考瑞大学） 刘金环 江峰 杜军威（通信作者）
二部图表示学习将用户和项目嵌入到一个基于观察到的交互作用的低维潜在空间中。以往的研究主要分为两类：一类是通过节点的表示来重构图的结构关系，另一类是利用图神经网络来聚合相邻节点的信息。然而，现有的方法只在学习过程中探索节点的局部结构信息。这使得表示宏观结构信息变得困难，并且很容易受到数据稀疏性和噪声的影响。为了解决这个问题，提出了基于意图分布的二部图表示学习（IDBR）模型，该模型明确地将节点意图分布信息集成到表示学习过程中。具体来说，通过聚类得到节点意图分布，并设计了一个基于意图分布的图卷积神经网络来生成节点表示。与传统方法相比，扩展了节点表示的范围，能够获得更全面的全局意图表示。在构建意图分布时，有效地缓解了数据的稀疏性和噪声的问题。此外，通过整合来自结构维度和语义维度的潜在相邻节点来丰富节点的表示。在链路预测和推荐任务上的实验表明，该方法优于现有的现有方法。
论文题目：Behavior Pattern Mining-based Multi-Behavior Recommendation
作者：李浩杰 程志勇（山东省人工智能研究院）于旭（中国石油大学）刘金环 刘冠峰（麦考瑞大学）杜军威（通信作者）
多行为推荐系统通过挖掘辅助活动（例如，点击和收藏）来克服传统模型仅依赖于稀疏目标行为（如购买）的限制。现有的多行为推荐方法大致采用以下两种方式：一是从单个行为的子图获取节点的初步表示；二是把多行为数据视作异质图，并利用图神经网络获得统一的节点表示。尽管取得了优异的效果，但这些方案尚未深入挖掘用户与项目间复杂的互动模式。为了填补这一空白，提出了一种基于行为模式挖掘的多行为推荐（BPMR）的创新算法。该方法深入探讨了用户与项目之间的各类互动模式，并将这些模式用作推荐特征的学习。通过贝叶斯方法简化了推荐流程，有效避免了图神经网络算法面临的难题，比如过度平滑导致无法精确捕捉用户偏好。在三个真实世界的数据集上进行的实验评估显示，BPMR在性能上显著超越了现有的先进算法，在Recall@10指标上平均提升了268.29%，在NDCG@10指标上平均提升了248.02%。
