实验室九篇长文论文被ACM SIGIR 2022录用
4月1日，人工智能领域智能信息检索国际权威会议ACM SIGIR录用结果公布，实验室共有9篇长文论文被SIGIR 2022主会录用。ACM SIGIR 2022是CCF A类会议，人工智能领域智能信息检索（ Information Retrieval，IR）方向最权威的国际会议。会议专注于信息的存储、检索和传播等各个方面，包括研究战略、输出方案和系统评估等等。第45届国际计算机学会信息检索大会（The 45rd International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2022）计划于今年7月11日-7月15日在西班牙马德里召开。这次会议共收到794篇长文和667篇短文投稿，有161篇长文和165篇短文被录用，录用率约为20%和24.7%。
以下为论文列表及介绍
Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation. Xiaokun Zhang, Bo Xu, Liang Yang, Chenliang Li, Fenglong Ma, Haifeng Liu, Hongfei Lin*.
论文机构: 大连理工大学、 宾夕法尼亚州立大学、武大
论文总结：基于会话的推荐旨在根据匿名用户的短行为序列预测其想要购买的商品。目前基于会话的推荐方法只关注于对用户的兴趣偏好进行建模，而忽略了商品的一个关键属性，即价格。许多市场营销研究表明，价格因素显著影响用户的行为，用户的购买决策是由价格和兴趣偏好共同决定的。然而，在基于session的推荐中加入价格偏好是很重要的。首先，很难处理来自不同商品特征的异构信息来获取用户的价格偏好。其次，在决定用户选择时，很难对价格和兴趣偏好之间的复杂关系进行建模。为了解决上述问题，我们提出了一种新的协同引导异构超图网络的session推荐方法（CoHHN)。针对第一个挑战，我们设计了一个异构超图来表示异构信息和它们之间的丰富关系。然后设计了一种双通道聚合机制来聚合异构超图中的各种信息。之后，我们通过关注层提取用户的价格偏好和兴趣偏好。对于第二个挑战，我们设计了一个共同引导的学习方案来模拟价格和兴趣偏好之间的关系，并促进彼此的学习。最后，我们根据物品特征和用户的价格和兴趣偏好预测用户的行为。在三个真实数据集上的大量实验证明了提出的CoHHN的有效性。进一步的分析揭示了价格对于基于交易日的推荐的重要性。更多内容可参阅知乎介绍[价格很重要！基于用户价格偏好及兴趣偏好的会话推荐]
Knowledge Graph Contrastive Learning for Recommendation. Yuhao Yang, Chao Huang*, Lianghao Xia, Chenliang Li
论文机构: 香港大学、 武大
论文总结: 知识图谱（Knowledge Graph，KG）通常包含丰富的事实和商品间内在的语义关系，已被用作有用的辅助信息来提高推荐质量。然而，此类方法的成功依赖于高质量的知识图谱，并且可能因为两个挑战无法学习高质量的表征：i）实体的长尾分布导致知识图谱增强商品表征的监督信号稀疏；ii) 现实世界的知识图谱通常存在噪声，并且包含商品和实体之间与主题无关的连接。这种知识图谱的稀疏性和噪声使得商品间的实体依赖关系无法反映它们的真实特征，这显著放大了噪声效应，阻碍了用户偏好的准确表示。为了填补这一研究空白，我们设计了一个通用的知识图谱对比学习框架（KGCL），以减轻基于知识图谱的推荐系统中的信息噪声。具体来说，我们提出了一种知识图谱增强范式来抑制信息聚合中的知识图谱噪声，并学习商品更强大的知识感知表示。此外，我们利用来自知识图谱增强过程的额外监督信号来指导跨视图对比学习范式，在梯度下降中为无偏的用户-商品交互提供更大的权重，并进一步抑制噪声。在三个公共数据集上进行的大量实验证明了我们的 KGCL 始终优于最先进的技术。KGCL 在具有稀疏用户-商品交互、长尾和嘈杂的知识图谱实体的推荐场景中也取得了强大的性能。更多内容可参阅PaperWeekly微信公众号介绍[SIGIR 2022 | 港大、武大提出KGCL：基于知识图谱对比学习的推荐系统]
Co-training Disentangled Domain Adaptation Network for Leveraging Popularity Bias in Recommenders. Zhihong Chen, Jiawei Wu, Chenliang Li*, Jingxu Chen, Rong Xiao, Binqiang Zhao
论文机构: 阿里巴巴、 武大
论文总结: 召回模型中流行度偏差的现象主要有两种：流行度分部差异、长尾分布差异。本工作主要探索如何改善召回阶段中的双塔模型来缓解流行度偏差。目前已有缓解流行度偏差的方法主要有两大类：逆倾向评分（IPS）和因果图推断。但是，我们认为不能盲目抑制流行度偏差，而应探索如何更好将其利用。所以，本论文从缓解流行度偏差的角度调整为合理利用流行度偏差的角度。更多内容可参阅淘宝技术微信公众号介绍[SIGIR2022 | 流行度偏差如何利用？探索解耦域适应无偏召回模型]
Automatic Expert Selection for Multi-Scenario and Multi-Task Search. Xinyu Zou, Zhi Hu, Yiming Zhao, Xuchu Ding, Zhongyi Liu, Chenliang Li*, Aixin Sun.
论文机构：蚂蚁金服、 南洋理工大学、武大
论文总结：本文是蚂蚁集团和武汉大学共同提出的， 一种面向多场景多任务优化的自动稀疏专家选择方法。论文题目为《Automatic Expert Selection for Multi-Scenario and Multi-Task Search》，它通过简洁有效的架构，实现了样本级细颗粒度的自动网络结构学习，对各种场景结构有较强的普适性。论文已被 SIGIR2022 录用，同时已经在支付宝数金搜索场景上进行了全流量推全，获得了显著的业务效果。更多内容可参阅机器之心微信公众号介绍[SIGIR 2022 | 多场景多任务优化在支付宝数字金融搜索的应用]
When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation. Yu Tian, Jianxin Chang, Yanan Niu, Yang Song, Chenliang Li*
论文机构：快手、武大
论文总结：这项研究提出了一个统一的多粒度神经模型 Multi-Grained Neural Model，简称 MGNM。通过结合多兴趣学习和图卷积聚合，达到对用户多粒度兴趣最佳的建模效果。该方法首先为用户学习历史交互商品的图结构和信息聚合路径；然后执行图形卷积以迭代的方式推导出商品表示，用来捕获用户在不同层级上的复杂偏好；接着通过提出的序列胶囊网络，将序列模式注入到多兴趣提取过程中，从而以多粒度方式实现更精确的兴趣学习。对来自不同场景的三个真实世界数据集的实验证明了 MGNM 相对于最先进基线的优越性。进一步的分析还表明，MGNM 在对多粒度级别的用户偏好理解方面是鲁棒且有效的。更多内容可参阅机器之心微信公众号介绍[SIGIR 2022 | 当多层级遇到多兴趣：快手联合武汉大学提出用于序列推荐的多粒度神经模型]
Mutual Disentanglement Learning for Joint Fine-Grained Sentiment Classification and Controllable Text Generation. Hao Fei, Chenliang Li, Donghong Ji, Fei Li*
论文机构：武大
论文总结：细粒度情感分类任务与情感生成任务互为对偶任务，两者的输入输出相互倒转，同时两者之间的情感特征可互相补充裨益。本研究基于对偶学习框架，将细粒度情感分类与情感生成任务进行了有机联合，并提出一个互解耦学习机制，以帮助对于情感特征的跨任务借鉴学习。 更多内容可参阅中国中文信息学会情感计算专委会微信公众号介绍[论文速递 | SIGIR 2022 基于互解耦学习的联合细粒度情感分类和情感文本生成]
An Attribute-Driven Mirroring Graph Network for Session-based Recommendation. Siqi Lai, Erli Meng, Fan Zhang*, Chenliang Li, Bin Wang, Aixin Sun.
论文机构：小米、南洋理工大学、武大
论文总结：基于会话的推荐旨在基于匿名且简短的交互序列来预测用户的下一个点击项目。以往的会话推荐模型没有利用额外的有价值的知识，因此深受数据稀疏问题的困扰。本文提出了一种用于会话推荐的镜像图增强模型（MGS），以利用项目嵌入向量上的项目属性信息来进行更准确的偏好估计。具体来说，MGS 利用两种图来学习项目表示，一种是从用户交互序列生成的会话图，描述了基于转换模式的用户偏好；另一种是由属性感知模块构建的镜像图，该模块通过整合项目的属性信息，为每个会话项目选择最具属性代表性的信息。我们应用了一种迭代的双重细化机制来在会话和镜像图之间传播信息。为了进一步指导属性感知模块的训练过程，我们还引入了一种对比学习策略，该策略通过随机采样属性相同的邻居来比较为同一会话生成的两个镜像图。对三个真实世界数据集的实验表明，MGS 的性能超过了许多最先进的模型。
Multi-Agent RL-based Information Selection Model for Sequential Recommendation. Kaiyuan Li, Pengfei Wang*, Chenliang Li*
论文机构：北邮、武大
论文总结：TBA.
User-Aware Multi-Interest Learning for Candidate Matching in Recommenders. Zheng Chai*, Zhihong Chen, Chenliang Li*, Rong Xiao, Houyi Li, Jiawei Wu, Jingxu Chen, Haihong Tang
论文机构：阿里巴巴、浙大、武大
论文总结：TBA.
