LOGO LOGO
硕士生宋宇和罗子涵的两篇论文被WSDM 2022录用
时间:2021-10-14 09:04:23

近日,网络搜索和数据挖掘国际会议(International Conference on Web Search and Data Mining,WSDM 2022)录用结果揭晓,黄宏副教授指导的硕士生宋宇和罗子涵的两篇论文均被录用,宋宇的论文题目为“Show Me the Whole World: Towards Entire Item Space Exploration for Interactive Personalized Recommendations”,罗子涵的论文题目为“Ada-GNN: Adapting to Local Patterns for Improving Graph Neural Networks”。

用户兴趣挖掘是推荐系统中一个重要且具有挑战性的课题。Contextual Bandit(CB)算法努力在探索和开发之间做出良好的权衡,以便让用户的潜在兴趣有机会暴露出来。然而,经典的CB算法只能应用于一个小的、抽样的项目集(通常是数百个)。宋宇在文章中引入了两种简单但有效的分层CB算法,使经典CB模型能够探索用户对整个项目空间的兴趣,而不局限于一个小的项目集。文章首先通过自底向上的聚类算法构造一个层次的项目树,以从粗到细的方式组织项目。在此基础上,文章提出了一种基于层次树的用户兴趣挖掘算法HCB。HCB将探索问题作为一系列决策过程,目标是找到从根节点到叶节点的路径。进一步,文章提出了一种渐进分层CB (pHCB)算法,该算法逐步扩展可见节点,使其达到探索的置信度,以避免在顺序决策过程中对上层节点的误导行为。在两个公共推荐数据集上的大量实验证明了该方法的有效性和灵活性。

近年来,训练可部署在大规模图结构上的图神经网络(GNN)逐渐成为研究的热门话题。现存的几乎所有方法都仅使用一个统一的模型来适配所有节点的网络表示学习,这直接忽略了不同节点可能存在的差异性,进行需要不同的模型对其进行建模。但考虑到模型效率和可扩展性,罗子涵的文章提出一个全新框架——Ada-GNN,以站在节点群的角度为每个节点群设计了特定的GNN模型。具体来说,Ada-GNN提出了一种元适配器,可将全局GNN模型快速适配到每个节点群。为了更好地进行全局到局部的适配,该文还设计了一个特征增强模块,以捕捉不同节点群之间的差异,进而提高Ada-GNN的性能。Ada-GNN是一种与模型无关的框架,可以应用到几乎所有现有的GNN的方法,如GraphSAGE, SIGN和SAGN。文章在两个大规模数据集上,以6种流行的GNN为基础进行了大量的实验,结果一致地证明了Ada-GNN的通用性和优越性。

WSDM是网络启发性研究的主要会议之一,涉及网络搜索和数据挖掘,也是中国计算机学会(CCF)推荐的B类会议(实验室Top80会议)。本届会议共收到786篇投稿,共录用159篇论文,录用率约为20.23%。


(通讯员:罗子涵)