移动智能计算团队的论文“GS2-RS: A Generative Approach for Alleviating Cold start and Filter bubbles in Recommender Systems”被IEEE TKDE录用。论文的第一作者为糖心vlog徐原博副教授。通讯作者为团队内王恩教授，作者还包括香港科技大学的熊辉教授（AAAS Fellow, IEEE Fellow），以及杨永健教授
推荐系统（RS）通常会面临冷启动问题和过滤气泡问题。当用户遇到熟悉的、重复的、甚至可预测的推荐时，会使他们感到无聊和不满意。解决这些问题的关键是了解用户的细粒度偏好，并推荐偏离用户历史商品的有吸引力且未探索过的商品。然而，现有模型单独考虑冷启动或过滤气泡问题，而忽略了它们可以相互作用并加倍损害模型的精度。为此，我们设计了一种新颖的偶然性导向的推荐系统（Generative Self-constrained Serendipitous Recommender System，GS2-RS），它生成用户的细粒度偏好以提高推荐性能。GS2-RS在统一框架中解决了冷启动和过滤气泡问题，无需任何额外的辅助信息，并丰富了推荐模型的可解释性。我们在四个真实世界基准数据集上全面验证 GS2-RS 解决冷启动和过滤气泡问题的能力。大量实验表明 GS2-RS 在准确性、偶然性和可解释性方面优于最先进的模型。此外，我们可以将我们的模型作为预处理过程插入现有的推荐系统中，以提高其性能。
移动智能计算团队的论文“Zone-Enhanced Spatio-Temporal Representation Learning for Urban POI Recommendation”被IEEE TKDE录用。论文的第一作者为糖心vlog王恩教授。第二及通讯作者为徐原博副教授，作者还包括团队内2022级博士研究生姜毅恒，硕士研究生杨福康以及天普的吴杰教授（AAAS Fellow, IEEE Fellow）。
我们首先从 POI 方面探讨推荐的可解释性，即对于特定的 POI，其功能通常会随着时间而变化，因此用单个固定潜在向量表示 POI 不足以描述 POI 的动态性质。此外，POI 的签到操作也会受到其所在区域的影响。换句话说，从 POI 分布、路段和历史签到中学习到的区域嵌入可以共同用于增强 POI 嵌入。沿着这个思路，我们提出了一种时区空间 POI 嵌入模型（ToP），它集成了多知识图和主题模型，不仅将时空效应引入 POI 嵌入中，还引入了情感约束，以增强可解释性的推荐。具体来说，ToP通过知识图谱学习，在空间约束的不同时期学习一个POI的多个潜在向量。为了添加情感约束，ToP 将这些向量与主题模型学习到的区域表示联合结合起来，以提出可解释的建议。ToP考虑时间、空间、统一的嵌入框架中的 POI 和情感，这有利于 POI 推荐。对真实长春城市数据集的大量实验表明，ToP 在通用指标方面实现了最先进的性能，并为消费者的 POI 签到操作提供了更多见解。
IEEE TKDE全称IEEE Transactions on Knowledge and Data Engineering，是中国计算机学会推荐的A类顶级国际期刊，在数据挖掘领域享有极高的学术声誉，影响因子指数8.9。
