我院硕士研究生肖辉在导师徐媛媛的指导下，于推荐系统研究领域取得进展，以导师一作和学生二作身份在《Pattern Recognition》（PR）、《Neurocomputing》（Neucom）和《IEEE Transactions on Computational Social Systems》（TCSS）连续发表三篇高水平SCI论文。PR为中科院一区期刊，其余两个期刊分别为中科院二区和三区期刊。这一成果充分彰显了我校研究生培养质量与科研创新能力的显著提升。

发表在PR的论文题目为《Neural recommendation by user-item-user and item-user-item relation modeling》，该文聚焦推荐系统中的Relational Recommendation，提出了一种动态的用户/物品表征方式以提升推荐系统性能（DeepRelRec）。该文通讯作者为张恒汝教授。论文针对现有关系推荐中用户和物品的静态表示及其存在的问题，提出了基于深度用户-物品-用户和物品-用户-物品属性关系建模的神经推荐方法。该方法为用户和物品提供了动态嵌入。动态用户嵌入通过构建已对该物品进行评分的用户组来考虑目标用户-物品对。动态物品嵌入同样通过构建用户已交互过的物品组来考虑该对。实验在三个真实世界的推荐数据集上进行，并与十一个基线方法进行了比较。结果表明，该论文提出的方法占优。

图1  DeepRelRec框架图

发表在Neucom和TCSS的论文题目分别为《Matrix factorization with a sigmoid-like loss control》和《A Seagull loss function with application to recommender systems》，均聚焦推荐系统的损失函数，提出了两种不同的抑制异常点的损失函数。这两篇论文的通讯作者为闵帆教授。矩阵分解是推荐系统的一种基本方法。在流行的L2损失下，学习模型倾向于对显著偏离的预测进行过拟合。然而，在实际应用中，将5分的实际评分预测为1分或2分并无本质区别。在这两篇论文里我们分别设计了类似sigmoid的函数（Sigmoid-like）和Seagull函数来控制每个单独预测的损失。前者不仅减少了与显著偏离的预测相对应的损失，还设计了新的正则项。结果表明，所提出的损失函数在平均绝对误差（MAE）、均方根误差（RMSE）和归一化折损累积增益（NDCG）方面表现良好，但在命中率（HR）和平均精确率（MAP）方面表现不佳。后者在前者上做了一些调整，使得推荐性能在HR和MAP上有所提升。

图2  Sigmoid-like函数与流行的损失函数的对比

图3  Seagull函数与流行的损失函数的对比