近日，深圳市电脑学会荣誉理事长明仲教授课题组的论文“User-Event Graph Embedding Learning for Context-Aware Recommendation”被ACM SIGKDD Conference on Knowledge Discovery and Data Mining（SIGKDD）会议录用。
基于上下文的推荐系统通常会遭受着上下文特征的稀疏性和用户（或物品）与上下文特征之间的交互稀疏性两个问题，这些问题会导致大多数的推荐模型所获得的表征依赖于随机初始化的效果。先前的工作已经表明图表征学习可以有效地缓解数据稀疏性的问题，但是现有的面向推荐系统的图结构通常不具有较好的通用性和灵活性。
针对这些问题，论文首先提出了一种被称为用户事件图的新结构，该结构以用户为中心对每个用户的历史行为记录进行组织，且便于扩展到多种场景中。此外，通过利用意图注意力机制学习用户在每个事件上的意图，且构造相应的意图节点引入图中。然后，论文提出了一种新的用户事件协同图卷积方法来从用户事件图中学习每个参数的细化表征，其中意图节点作为一个中枢将信息在其他不同类型的节点上进行传递，从而有效地缓解数据稀疏性问题。为了避免关联太多事件的上下文特征可能在信息聚合中引入过多噪声，论文还提出了一个通过裁剪上下文特征的信息源来提升方法鲁棒性的变体。最后，获得的细化表征可以被用于下游任意的推荐模型，通过作为这些推荐模型的初始化表征来代替原始的随机初始化方式。最后，在实验中验证了提出的框架的有效性和通用性。
该工作由明仲教授课题组与东南大学和华为2012实验室合作完成。计算机与软件学院刘杜钢（博士研究生，2019级）为第一作者，明仲教授和潘微科副教授为共同通讯作者。
SIGKDD是数据挖掘领域的顶级会议，也是中国计算机学会（CCF）推荐的A类国际学术会议。SIGKDD 2022 的Research Track录用率为14.99%。