近日，2021级硕士生宋熙然（指导老师：黄宏副教授）的论文“Friend Recommendations with Self-Rescaling Graph Neural Networks”被第28届国际数据挖掘与知识发现大会（The 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining，KDD 2022）的应用数据科学赛道（Applied Data Science Track）录用。

图神经网络（Graph Neural Network, GNN）被广泛地应用于社交推荐场景。相比于浅层的图嵌入模型，GNN显式地以邻居聚合的方式编码图结构信息，表现出了更优越的性能，近年来广受研究者关注。然而，许多GNN模型在邻居聚合时使用了静态的、事先手动定义好的归一化权重，这将使得GNN模型出现“尺度扭曲”问题。

为克服尺度扭曲问题，文章提出了一种自适应的GNN嵌入向量尺度调整方法。该方法提出使用一个自放缩系数网络（self-rescaling network，SSNet）来为GNN模型输出的每个嵌入向量生成一个对应的标量放缩系数，进而对嵌入向量的尺度进行放缩调整。SSNet非常轻量，仅由一个两层的感知机构成。同时，SSNet也与模型无关，可以施加在现有的多种GNN模型上进行端到端的训练。为了更好地理解SSNet的作用，文章从图的谱分析和图同构两个视角进行了理论分析。为了验证SSNet的性能，文章在七种GNN模型、三个社交网络数据集、两大推荐任务（即目标召回和目标排序）上进行了实验。实验结果证明SSNet能显著提升现有多种GNN模型的性能。此外，文章在Xbox社交推荐平台进行了为期一个月的在线A/B测试，并观察到SSNet带来了24%的性能提升。文章还针对基于规则的召回、回声室效应（Echo Chamber）和在线排序等方面进行了经验结果的分享。

KDD是数据挖掘领域的顶级国际会议，会议的应用数据科学赛道主要关注推荐系统、信息检索与召回，该赛道此次共收到投稿753篇，录用195篇。KDD 2022的总体录用率约为18.3%（2448篇投稿，449篇接收）。

（通讯员：宋熙然）