CCIIP实验室2021级硕士邹定（2021年9月入学，导师：魏巍）和2020级博士生赵森同学（2020年9月入学，导师：魏巍）论文“Towards Hierarchical Intent Disentanglement for Bundle Recommendation” 被国际顶级期刊IEEE Transactions on Knowledge and Data Engineering（TKDE）录用。TKDE是IEEE旗下专注知识发现和数据挖掘的期刊，是计算机领域数据挖掘方向的顶级期刊。TKDE被中国计算机学会（CCF）定位为数据库/数据挖掘/内容检索领域的A类国际期刊之一，同时也被清华大学推荐为数据库与数据挖掘方向的A类国际学术期刊，该期刊的影响因子为9.235。
Ding Zou#, Sen Zhao#, Wei Wei*, Xian-ling Mao, Ruixuan Li, Dangyang Chen, Rui Fang, and Yuanyuan Fu. Towards Hierarchical Intent Disentanglement for Bundle Recommendation. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2023.
内容简介：捆绑推荐旨在为用户推荐一组物品，其中有两种场景(即下一个捆绑推荐和捆绑内物品推荐)，分别为用户推荐特定的物品组合，以及为用户在当前物品组合中推荐特定物品进行填充。以往的工作大多以统一的意图对用户的偏好进行建模，而在对于捆绑内物品没有考虑意图的多样性。在真实的捆绑推荐场景中，用户意图建模实际上需要从3个层次来考虑:用户意图可能自然地分布在不同的物品组合中(用户级别)，一个物品组合可能包含多个用户意图(物品组合级别)，不同物品组合中的物品也可能呈现不同的用户意图(物品级别)。本文针对捆绑推荐提出一种新的模型——层次意图解缠图网络(HIDGN)。HIDGN通过跨任务意图对比学习，能够从层次结构中准确、全面地捕捉用户意图的多样性，并与有监督的下一捆绑推荐和捆绑内物品推荐（next-/within-bundle recommendation）子任务统一为一个多任务框架。在3个基准数据集上的实验结果表明，HIDGN的性能分别提高了43.0%、13.2%和73.3%。
图1 捆绑推荐中用户多意图范例
图2 层次意图解缠图网络(HIDGN)