我院碩士研究生肖輝在導(dǎo)師徐媛媛的指導(dǎo)下，于推薦系統(tǒng)研究領(lǐng)域取得進(jìn)展，以導(dǎo)師一作和學(xué)生二作身份在《Pattern Recognition》（PR）、《Neurocomputing》（Neucom）和《IEEE Transactions on Computational Social Systems》（TCSS）連續(xù)發(fā)表三篇高水平SCI論文。PR為中科院一區(qū)期刊，其余兩個(gè)期刊分別為中科院二區(qū)和三區(qū)期刊。這一成果充分彰顯了我校研究生培養(yǎng)質(zhì)量與科研創(chuàng)新能力的顯著提升。
發(fā)表在PR的論文題目為《Neural recommendation by user-item-user and item-user-item relation modeling》，該文聚焦推薦系統(tǒng)中的Relational Recommendation，提出了一種動(dòng)態(tài)的用戶(hù)/物品表征方式以提升推薦系統(tǒng)性能（DeepRelRec）。該文通訊作者為張恒汝教授。論文針對(duì)現(xiàn)有關(guān)系推薦中用戶(hù)和物品的靜態(tài)表示及其存在的問(wèn)題，提出了基于深度用戶(hù)-物品-用戶(hù)和物品-用戶(hù)-物品屬性關(guān)系建模的神經(jīng)推薦方法。該方法為用戶(hù)和物品提供了動(dòng)態(tài)嵌入。動(dòng)態(tài)用戶(hù)嵌入通過(guò)構(gòu)建已對(duì)該物品進(jìn)行評(píng)分的用戶(hù)組來(lái)考慮目標(biāo)用戶(hù)-物品對(duì)。動(dòng)態(tài)物品嵌入同樣通過(guò)構(gòu)建用戶(hù)已交互過(guò)的物品組來(lái)考慮該對(duì)。實(shí)驗(yàn)在三個(gè)真實(shí)世界的推薦數(shù)據(jù)集上進(jìn)行，并與十一個(gè)基線(xiàn)方法進(jìn)行了比較。結(jié)果表明，該論文提出的方法占優(yōu)。
圖1 DeepRelRec框架圖
發(fā)表在Neucom和TCSS的論文題目分別為《Matrix factorization with a sigmoid-like loss control》和《A Seagull loss function with application to recommender systems》，均聚焦推薦系統(tǒng)的損失函數(shù)，提出了兩種不同的抑制異常點(diǎn)的損失函數(shù)。這兩篇論文的通訊作者為閔帆教授。矩陣分解是推薦系統(tǒng)的一種基本方法。在流行的L2損失下，學(xué)習(xí)模型傾向于對(duì)顯著偏離的預(yù)測(cè)進(jìn)行過(guò)擬合。然而，在實(shí)際應(yīng)用中，將5分的實(shí)際評(píng)分預(yù)測(cè)為1分或2分并無(wú)本質(zhì)區(qū)別。在這兩篇論文里我們分別設(shè)計(jì)了類(lèi)似sigmoid的函數(shù)（Sigmoid-like）和Seagull函數(shù)來(lái)控制每個(gè)單獨(dú)預(yù)測(cè)的損失。前者不僅減少了與顯著偏離的預(yù)測(cè)相對(duì)應(yīng)的損失，還設(shè)計(jì)了新的正則項(xiàng)。結(jié)果表明，所提出的損失函數(shù)在平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和歸一化折損累積增益（NDCG）方面表現(xiàn)良好，但在命中率（HR）和平均精確率（MAP）方面表現(xiàn)不佳。后者在前者上做了一些調(diào)整，使得推薦性能在HR和MAP上有所提升。
圖2 Sigmoid-like函數(shù)與流行的損失函數(shù)的對(duì)比
圖3 Seagull函數(shù)與流行的損失函數(shù)的對(duì)比
