日前，李国徽教授指导的博士生丁轩昂的论文“Towards Resource-Efficient and Secure Federated Multimedia Recommendation”和博士生邹立的论文“Neighborhood-Enhanced Multimodal Collaborative Filtering for Item Cold Start Recommendation”被CCF B类国际学术会议ICASSP 2024录用。

 丁轩昂同学的论文针对联邦多媒体推荐面临的两个问题，即（1）多媒体上下文的高维性限制了资源受限的用户设备上的联邦优化和（2）联邦推荐系统中客户端数据的本地存储产生了异构的分布，提出了一种资源高效且安全的多媒体推荐联邦学习框架（FedMMR）。为了降低客户端的资源消耗，该方法将多模态学习模型拆分到强大的服务器，客户端训练轻量级的协同过滤模型，仅需本地模型和项目表示在服务器和客户端之间传输。该方法进一步提出了一种客户端间卷积策略，利用安全多方计算来保证用户隐私，同时减轻客户端之间的异构性。实验在三个数据集进行评估，验证了FedMMR有效地利用了项目的模态特征来提高性能，同时显著降低了客户的通信和计算成本。

 邹立同学的论文针对推荐系统冷启动中内容特征训练信号稀疏的问题，即通常只使用同一个项目的交互嵌入作为训练目标，提出了一种称为邻域增强多模态协同过滤（NEMCF）的新方法。该方法捕获内容特征和交互嵌入的邻域，以丰富内容特征。论文中首先设计了一个对偶图神经网络来分别捕捉交互图中交互嵌入和内容特征的邻域信号，然后基于聚合的交互嵌入和项目的内容特征，通过对比学习技术来增强内容特征与邻域内容特征、邻域交互嵌入的联系，以此缓解训练信号的稀疏性。最后，该方法随机使用项目内容特征和交互嵌入进行推荐，以增强NEMCF训练过程的稳健性。对四个基准数据集的广泛实验研究表明，NEMCF方法优于几种典型的冷启动方法，并取得了最先进的结果。

 近日，SIAM International Conference on Data Mining（SDM24）录用论文结果揭晓。李国徽教授指导博士生郭志强的论文 “DualVAE: Dual Disentangled Variational AutoEncoder for Recommendation” 被录用。

 论文主要聚焦于解决隐式多样偏好匹配问题，指出现有的协同推荐方法通常学习用户和物品的耦合表征，难以建模它们之间多样的匹配关系。然而，在隐式推荐场景下实现用户和物品的多关系匹配面临两个挑战：（1）如何基于隐式二元交互数据推断用户和物品解耦的多方面表示；（2）用户和物品解耦表征的独立性和匹配错位问题。

 针对上述挑战，论文提出了一种双解耦变分自编码器（DualVAE）来推断用户侧和物品侧的解耦表征，以增强隐式协同推荐。该方法首先对传统的VAE范式进行改造，将注意力感知的双解偶模块和解偶变分自编码器统一起来实现解偶概念，并从隐式反馈中推断用户和物品的潜在解偶表征。为实现用户和物品解偶表征的独立性和一对一匹配关系，进一步设计了邻域增强的表征约束模块，并通过定制化构造具有基于邻域的正样本和两级负样本的自监督对比学习机制来实现该约束。与标准VAE相比，DualVAE可以捕获用户侧和项目侧的多方面不确定性，这有助于提高表征鲁棒性和推荐性能。在三个现实世界的基准上进行的广泛实验证明了DualVAE模型的有效性。进一步的实验表明学习到的解偶表征对解释用户行为提供了很好的支持。

 SDM是数据挖掘领域高水平学术会议，中国计算机学会CCF推荐的B类会议，华中科技大学Top-80会议。本届会议共收到投稿论文416篇，最终录用98篇，录用率约为29.2%。