基地研究员刘树栋副教授合作论文《基于自监督三重训练和聚合一致邻居的社会化推荐模型》在重要学术期刊《模式识别与人工智能》第37卷、第3期发表。《模式识别与人工智能》主要发表和报道模式识别、人工智能、智能系统等方面的研究成果与进展，旨在推动信息科学技术发展。

摘要：将用户社会关系引入用户-商品评分数据中,构建用户-商品异构关系图,可缓解传统推荐系统面临的数据稀疏性和冷启动问题.但是,由于用户间社会关系的复杂性,聚合不一致的社会邻居可能会降低推荐性能.针对上述问题,文中提出基于自监督三重训练和聚合一致邻居的社会化推荐模型(Social Recommendation Based on Self-Supervised Tri-Training and Consistent Neighbor Aggregation, SR-STCNA).首先,在用户-商品评分数据的基础上,引入用户-用户间的社交关系,在用户-商品异构图中构建多种关系.使用超图表示用户和用户、用户和商品之间的关系.使用自监督三重训练,从未标记的数据中学习用户表示,充分挖掘用户-用户和用户-商品间存在的复杂连接关系.然后,通过用户-商品异构图上的节点一致性得分和关系自注意力,在用户和商品表示学习过程中聚合一致邻居,增强用户和商品嵌入表示能力,提高推荐性能.在CiaoDVD、FilmTrust、Last.fm、Yelp数据集上的实验表明,SR-STCNA性能较优.

关键词：社会化推荐，协同过滤，数据稀疏性，超图，一致邻居   

链接：http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202403002

作者简介

刘树栋，副教授，硕士生导师，文澜青年学者，2015年7月博士毕业于北京邮电大学计算机学院，主要研究方向为数据挖掘、机器学习和推荐系统。已在国内外学术期刊或会议发表论文30余篇，主持或参与国家自然科学基金3项、国家社会科学基金1项目、中央高校基本科研业务经费6项。