近期，j9九游會官網青年教師李亞坤在人工智能領域TOP期刊《Expert Systems With Applications》（該期刊簡稱“ESWA”，中科院期刊分區表大類一區，2022年影響因子為8.412）發表學術論文，北京林業大學為第一完成單位。

多域推薦（Multi-domain recommendation, MDR）旨在利用來自多個領域的豐富知識來同時提高各域的推薦性能，近年來已經引起了廣泛關注。它的關鍵挑戰在于如何基于域間重疊實體（用戶或項目）來捕獲目標用戶的域不變和特定域偏好。盡管現今對MDR進行了大量研究，但一些關鍵挑戰仍沒有得到很好地解決。例如，少量的用戶交互數據導致低效的監督效果，即如何在沒有大量顯式訓練標簽的情況下緩解稀疏交互問題是提高MDR性能的關鍵，以及特征偏差問題使得現有模型僅能關注目標域中用戶的偏好，忽略了它們在其它域中的域不變特征。

圖1 本文提出的HKGCL模型的框架圖

為解決上述挑戰和問題，j9九游會官網李亞坤老師在ESWA上發表了題為“HKGCL: Hierarchical Graph Contrastive Learning for Multi-Domain Recommendation over Knowledge Graph”的論文，提出了一種基于分層圖對比學習的知識感知多域推薦模型，即HKGCL（圖1）。具體地，首先該模型采用LightGCN聚合機制獲取用戶和項目在知識圖譜上的分層表示；然后，設計了一種分層節點丟棄策略來增強原始交互數據并捕獲更多的語義信號；特別地，該模型還設計了三種圖對比任務來學習目標用戶在多域中的偏好特征；最后，提出了一種多域貝葉斯個性化排序機制，來完成多任務學習中用戶的預測結果。此外，在兩個真實的多域數據集上（Amazon Product and Academic Paper Datasets）進行的大量實驗表明，該模型的預測性能比最佳基線提升了將近10%的準確度；另外，為了更好地理解提出模型的預測過程，本文在實驗部分也進行了示例的演示（圖2）。

圖2 HKGCL模型的預測示例

據悉，這是首次嘗試利用分層圖對比學習技術來提高知識感知MDR系統的預測性能，為多域推薦技術在大規模工業場景下的應用提供了潛在的解決方案。

論文鏈接：

https://www.sciencedirect.com/science/article/pii/S0957417423014653?via%3Dihub。

                          撰稿人：李亞坤、徐智穎

                                                      審稿人：許福