CCIIP实验室2019级研究生王子扬同学（2019年9月入学，导师：魏巍）论文“Multi-level Contrastive Learning Framework for Sequential Recommendation”，2020级刘逸帆同学（2020年9月加入学，导师：魏巍）论文“Improving Personality Consistency in Conversation by Persona Extending”及2021级研究生邹定同学（2021年9月入学，导师：魏巍）论文“Improving Knowledge-aware Recommendation with Multi-level Interactive Contrastive Learning”被信息检索和数据挖掘领域顶级国际会议（CIKM2022）长文全文录用。第31届国际计算机学会信息与知识管理大会（31st ACM International Conference on Information and Knowledge Management）将于2022年10月17日-10月21日在美国乔治亚州的首府亚特兰大召开。CIKM是中国计算机学会CCF推荐的B类国际学术会议，在信息检索和数据挖掘相关领域享有较高学术声誉。这次会议共收到-篇长文投稿，录用率仅为-%。
1. Multi-level Contrastive Learning Framework for Sequential Recommendation
作者：Ziyang Wang, Huoyu Liu, Wei Wei*, Yue Hu, Xian-Ling Mao, Shaojian He, Rui Fang and Dangyang Chen
内容简介：
序列推荐(Sequential Recommendation)主要基于用户的历史行为预测用户的下一个行为，具有广泛的应用场景和重要的研究价值。当前序列推荐模型主要对用户的行为序列进行建模，但容易受到数据稀疏的影响，具有明显的局限性。因此我们提出了一种基于多层级对比学习框架（兴趣层级和特征层级）的序列推荐模型，在兴趣层级中共同学习协同信息中的自监督信号和序列转移模式，在特征层级中捕捉共同行为信息来帮助学习用户和物品的特征表示。在多个数据集上的实验结果表明，所提出的方法明显优于现有基线模型。
图 1 所提出方法和过往方法对比示意图
图2 模型结构示意图
2. Improving Personality Consistency in Conversation by Persona Extending
作者：Yifan Liu, Wei Wei*, Jiayi Liu, Xian-Ling Mao, Rui Fang and Dangyang Chen
内容简介：
赋予聊天机器人以个性，对于提升闲聊对话生成过程中的一致性起着重要作用。然而，现有的个性化方法通常是根据静态的预定义个性信息产生响应，当机器人需要回答不在预定义个性中的对话请求会遇到Out-of-Persona问题（OOP）。为了缓解这个问题，我们在本文中提出了一个新的检索-预测范式，即：（1）Persona Retrieval Model（PRM），它基于自然语言推理（NLI）从全局个性集合中检索一个与预定义的个性一致的可用个性信息。(2) Posterior-scored Transformer（PS-Transformer），它采用后验分布计算生成过程中应用不同个性信息的概率分布，最大限度地缓解训练和推断过程的差距。此外，我们提出了一个名为IT-ConvAI2的数据集，它首次强调了个性化对话中的OOP问题。在IT-ConvAI2和ConvAI2上进行的广泛实验表明，我们提出的模型在自动指标和人类评价方面都明显优于现有基线模型。
图1：Posterior-scored Transformer方法示意图
图2：现有个性化对话方法与PS-Transformer生成效果的对比
3. Improving Knowledge-aware Recommendation with Multi-level Interactive Contrastive Learning
作者：Ding Zou, Wei Wei*, Ziyang Wang, Xian-Ling Mao, Feida Zhu, Rui Fang and Dangyang Chen
内容简介：
现有的基于知识图谱推荐模型大多基于图神经网络（GNN）构建端到端的学习框架，但是广泛面临着以下问题：1）监督信息稀疏（用户-物品交互稀疏）；2）信息利用不平衡（稀疏的用户物品交互部分与丰富的知识信息结合，导致GNN对知识信息的利用侧重更多）；3）知识抽取不充分（GNN范式集中于邻域（local）知识的聚合，而忽视了非邻域（non-local）的知识信息）。为了缓解这些问题，我们提出了一种用于知识图谱推荐的多级交互式对比学习模型（KGIC）。不同于传统的通过数据增强方式构造图视角的对比学习方法，交互式对比学习机制通过对比CF和KG两部分的信息进行layer-wise的自监督学习。通过将低阶和高阶的CF信号分别与KG结合构建出local与non-local图后，我们首先在local/non-local图内各自进行intra-graph级的交互式对比学习，随后在local和non-local间进行inter-graph级的交互式对比学习。在多个开源基准数据集上的实验证明了 KGIC的有效性。
图1 ：所提出的多级交互式对比学习机制示意图
图2: KGIC模型示意图