日前，鄭州大學(xué)計(jì)算機(jī)與人工智能學(xué)院在推薦系統(tǒng)領(lǐng)域取得系列重要進(jìn)展,，相關(guān)成果分別發(fā)表在國(guó)際頂級(jí)期刊《IEEE Transactions on Neural Networks and Learning Systems》《IEEE Transactions on Knowledge and Data Engineering》《IEEE Internet of Things Journal》之上,，吳賓副研究員為第一作者，葉陽(yáng)東教授為通訊作者,。三項(xiàng)成果的第一單位和通訊單位均為鄭州大學(xué),。

在當(dāng)今信息過(guò)載的時(shí)代，推薦系統(tǒng)已成為各互聯(lián)網(wǎng)應(yīng)用的核心組件,，并深刻影響著人們的日常生活,。推薦系統(tǒng)的深入研究不僅可以改善用戶體驗(yàn)，而且能夠幫助企業(yè)獲取豐厚的商業(yè)利潤(rùn),。針對(duì)當(dāng)前推薦方法在復(fù)雜動(dòng)態(tài)環(huán)境下的局限性,，圍繞數(shù)據(jù)時(shí)序動(dòng)態(tài)、數(shù)據(jù)場(chǎng)景感知,、數(shù)據(jù)規(guī)模龐大三個(gè)特性,，分別提出相應(yīng)解決方案，在多個(gè)推薦場(chǎng)景中均取得較好的表現(xiàn),，具有良好的實(shí)際應(yīng)用前景,。

針對(duì)主流序列化推薦方法無(wú)法顯式刻畫(huà)物品之間的相對(duì)次序問(wèn)題，提出圖增強(qiáng)的膠囊網(wǎng)絡(luò),。首先,，分別設(shè)計(jì)個(gè)性化膠囊模塊和位置感知的門單元模塊，以用于捕獲物品間的聯(lián)合層關(guān)系和成對(duì)關(guān)系,；進(jìn)一步,，引入一種雙門機(jī)制來(lái)自適應(yīng)融合用戶的長(zhǎng)期與短期興趣。實(shí)驗(yàn)結(jié)果表明,，該方法在多個(gè)評(píng)價(jià)指標(biāo)上顯著優(yōu)于主流序列化和非序列化的推薦方法,。研究成果發(fā)表在《IEEE Transactions on Neural Networks and Learning Systems》（全文鏈接：https://ieeexplore.ieee.org/document/9762364）,。

針對(duì)不同物品領(lǐng)域主導(dǎo)用戶購(gòu)買決策因素顯著不同的問(wèn)題，提出融合物品內(nèi)在與外在特性的推薦方法,。首先,，設(shè)計(jì)一種內(nèi)外兼并的概率矩陣分解模型，以用于細(xì)粒度建模物品的視覺(jué)因素與功能特性,；進(jìn)一步,，提出一種快速交替最小二乘法求解模型參數(shù)，并提供一種在線更新模型參數(shù)的機(jī)制,。實(shí)驗(yàn)結(jié)果表明,，該方法在不同的物品領(lǐng)域其性能均優(yōu)于主流推薦方法，并通過(guò)案例分析說(shuō)明聯(lián)合建模物品內(nèi)在與外在特性可以獲得理想的推薦效果,。研究成果發(fā)表在《IEEE Transactions on Knowledge and Data Engineering》（全文鏈接：https://ieeexplore.ieee.org/document/9084265）,。

針對(duì)主流社會(huì)化推薦方法未能顯示模擬用戶偏好與社會(huì)影響的傳播過(guò)程問(wèn)題，提出高效非采樣的圖神經(jīng)網(wǎng)絡(luò)方法,。首先,，設(shè)計(jì)一種空間自適應(yīng)的圖卷積模塊，以用于捕獲復(fù)雜異構(gòu)圖中用戶與物品之間的高階連通性,；進(jìn)一步,，引入一種考慮全部負(fù)樣本的模型優(yōu)化機(jī)制。實(shí)驗(yàn)結(jié)果表明,，該方法在大規(guī)模推薦場(chǎng)景下的準(zhǔn)確性,、高效性、可行性,。研究成果發(fā)表在《IEEE Internet of Things Journal》（全文鏈接：https://ieeexplore.ieee.org/document/9714267）,。

以上研究得到了國(guó)家自然科學(xué)面上基金、國(guó)家自然科學(xué)青年基金,、河南省博士后科研啟動(dòng)項(xiàng)目等資助,。