日前，鄭州大學(xué)計算機(jī)與人工智能學(xué)院在推薦系統(tǒng)領(lǐng)域取得系列重要進(jìn)展，相關(guān)成果分別發(fā)表在國際頂級期刊《IEEE Transactions on Neural Networks and Learning Systems》《IEEE Transactions on Knowledge and Data Engineering》《IEEE Internet of Things Journal》之上，吳賓副研究員為第一作者，葉陽東教授為通訊作者。三項(xiàng)成果的第一單位和通訊單位均為鄭州大學(xué)。

在當(dāng)今信息過載的時代，推薦系統(tǒng)已成為各互聯(lián)網(wǎng)應(yīng)用的核心組件，并深刻影響著人們的日常生活。推薦系統(tǒng)的深入研究不僅可以改善用戶體驗(yàn)，而且能夠幫助企業(yè)獲取豐厚的商業(yè)利潤。針對當(dāng)前推薦方法在復(fù)雜動態(tài)環(huán)境下的局限性，圍繞數(shù)據(jù)時序動態(tài)、數(shù)據(jù)場景感知、數(shù)據(jù)規(guī)模龐大三個特性，分別提出相應(yīng)解決方案，在多個推薦場景中均取得較好的表現(xiàn)，具有良好的實(shí)際應(yīng)用前景。

針對主流序列化推薦方法無法顯式刻畫物品之間的相對次序問題，提出圖增強(qiáng)的膠囊網(wǎng)絡(luò)。首先，分別設(shè)計個性化膠囊模塊和位置感知的門單元模塊，以用于捕獲物品間的聯(lián)合層關(guān)系和成對關(guān)系；進(jìn)一步，引入一種雙門機(jī)制來自適應(yīng)融合用戶的長期與短期興趣。實(shí)驗(yàn)結(jié)果表明，該方法在多個評價指標(biāo)上顯著優(yōu)于主流序列化和非序列化的推薦方法。研究成果發(fā)表在《IEEE Transactions on Neural Networks and Learning Systems》（全文鏈接：https://ieeexplore.ieee.org/document/9762364）。

針對不同物品領(lǐng)域主導(dǎo)用戶購買決策因素顯著不同的問題，提出融合物品內(nèi)在與外在特性的推薦方法。首先，設(shè)計一種內(nèi)外兼并的概率矩陣分解模型，以用于細(xì)粒度建模物品的視覺因素與功能特性；進(jìn)一步，提出一種快速交替最小二乘法求解模型參數(shù)，并提供一種在線更新模型參數(shù)的機(jī)制。實(shí)驗(yàn)結(jié)果表明，該方法在不同的物品領(lǐng)域其性能均優(yōu)于主流推薦方法，并通過案例分析說明聯(lián)合建模物品內(nèi)在與外在特性可以獲得理想的推薦效果。研究成果發(fā)表在《IEEE Transactions on Knowledge and Data Engineering》（全文鏈接：https://ieeexplore.ieee.org/document/9084265）。

針對主流社會化推薦方法未能顯示模擬用戶偏好與社會影響的傳播過程問題，提出高效非采樣的圖神經(jīng)網(wǎng)絡(luò)方法。首先，設(shè)計一種空間自適應(yīng)的圖卷積模塊，以用于捕獲復(fù)雜異構(gòu)圖中用戶與物品之間的高階連通性；進(jìn)一步，引入一種考慮全部負(fù)樣本的模型優(yōu)化機(jī)制。實(shí)驗(yàn)結(jié)果表明，該方法在大規(guī)模推薦場景下的準(zhǔn)確性、高效性、可行性。研究成果發(fā)表在《IEEE Internet of Things Journal》（全文鏈接：https://ieeexplore.ieee.org/document/9714267）。

以上研究得到了國家自然科學(xué)面上基金、國家自然科學(xué)青年基金、河南省博士后科研啟動項(xiàng)目等資助。