yb娱乐官网

近期，yb娱乐官网青年教师李亚坤在人工智能领域TOP期刊《Expert Systems With Applications》（该期刊简称“ESWA”，中科院期刊分区表大类一区，2022年影响因子为8.412）发表学术论文，北京林业大学为第一完成单位。

多域推荐（Multi-domain recommendation, MDR）旨在利用来自多个领域的丰富知识来同时提高各域的推荐性能，近年来已经引起了广泛关注。它的关键挑战在于如何基于域间重叠实体（用户或项目）来捕获目标用户的域不变和特定域偏好。尽管现今对MDR进行了大量研究，但一些关键挑战仍没有得到很好地解决。例如，少量的用户交互数据导致低效的监督效果，即如何在没有大量显式训练标签的情况下缓解稀疏交互问题是提高MDR性能的关键，以及特征偏差问题使得现有模型仅能关注目标域中用户的偏好，忽略了它们在其它域中的域不变特征。

图1 本文提出的HKGCL模型的框架图

为解决上述挑战和问题，yb娱乐官网李亚坤老师在ESWA上发表了题为“HKGCL: Hierarchical Graph Contrastive Learning for Multi-Domain Recommendation over Knowledge Graph”的论文，提出了一种基于分层图对比学习的知识感知多域推荐模型，即HKGCL（图1）。具体地，首先该模型采用LightGCN聚合机制获取用户和项目在知识图谱上的分层表示；然后，设计了一种分层节点丢弃策略来增强原始交互数据并捕获更多的语义信号；特别地，该模型还设计了三种图对比任务来学习目标用户在多域中的偏好特征；最后，提出了一种多域贝叶斯个性化排序机制，来完成多任务学习中用户的预测结果。此外，在两个真实的多域数据集上（Amazon Product and Academic Paper Datasets）进行的大量实验表明，该模型的预测性能比最佳基线提升了将近10%的准确度；另外，为了更好地理解提出模型的预测过程，本文在实验部分也进行了示例的演示（图2）。

图2 HKGCL模型的预测示例

据悉，这是首次尝试利用分层图对比学习技术来提高知识感知MDR系统的预测性能，为多域推荐技术在大规模工业场景下的应用提供了潜在的解决方案。

论文链接：

https://www.sciencedirect.com/science/article/pii/S0957417423014653?via%3Dihub。

                         撰稿人：李亚坤、徐智颖

                                                     审稿人：许福