CCIIP实验室2020级博士生赵森同学（2020年9月入学，导师：魏巍）论文“Multi-view Hypergraph Contrastive Policy Learning for Conversational Recommendation” 被第46届信息检索领域顶级国际会议（SIGIR2023）长文全文录用。第46届国际信息检索大会（The 46th International ACM SIGIR Conference on Research and Development in Information Retrieval）将于2023年7月23日-7月27日在台湾台北召开。SIGIR是中国计算机学会CCF推荐的A类国际学术会议，在相关领域享有较高学术声誉。这次会议共收到822篇长文投稿，仅有165篇长文被录用，录用率约20%。
Sen Zhao(20级博士生), Wei Wei*（导师）, Xian-Ling Mao（北京理工大学）, Shuai Zhu（蚂蚁）, Minghui Yang（蚂蚁）, Zujie Wen（蚂蚁）, Dangyang Chen （平安产险） and Feida Zhu（新加坡管理大学）. Multi-view Hypergraph Contrastive Policy Learning for Conversational Recommendation[C]//Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2023.
内容简介：对话推荐系统(CRS )旨在以对话方式了解用户偏好并向其推荐感兴趣商品，因此，准确了解用户动态偏好对提升CRS系统的推荐准确性起到至关重要的作用。以往研究通常仅利用对历史话和物品知识学习用户二元偏好关系<用户，物品>/<用户，物品属性>，而忽略了CRS中关系的多样性，比如用户对物品属性反馈（如：喜欢（like view）/不喜欢（dislike view）），以及社交关系对用户对物品属性喜好的影响（friend view），理论上来说，同一用户在不同视角下对同一物品的不同属性偏好应该保持一致。因此，我们提出了一种新颖的多视图超图对比策略学习(MHCPL)模型，模型从不同角度从对话历史和用户社交关系中实时构建动态三元关系图<用户，物品，物品属性>（like-view/dislike-view），<用户，用户，物品>（friend-view），在交互中各视图下的多元关系按照其生成顺序依次连接，从而构建分层超图神经网络以有效整合数据中的时序信息以及超图结构信息，并基于提出的跨视图对比学习范式以保持不同视图下用户偏好的固有特征和相关性，从而实时准确的捕获对话过程中的用户偏好，并准确向其推荐可能感兴趣的潜在物品。通过真实基准数据实验显示，MHCPL较以往SOTA模型均有较大提升。
图1： 会话推荐场景中不同视角的多元用户关系
图2： 多视图超图对比策略学习(MHCPL)框架
表1：不同模型在两个实际数据集上的效果对比