移動智能計算團隊的論文“GS2-RS: A Generative Approach for Alleviating Cold start and Filter bubbles in Recommender Systems”被IEEE TKDE錄用。論文的第一作者為伟德国际BETVlCTOR徐原博副教授。通訊作者為團隊内王恩教授，作者還包括香港科技大學的熊輝教授（AAAS Fellow, IEEE Fellow），以及楊永健教授
推薦系統（RS）通常會面臨冷啟動問題和過濾氣泡問題。當用戶遇到熟悉的、重複的、甚至可預測的推薦時，會使他們感到無聊和不滿意。解決這些問題的關鍵是了解用戶的細粒度偏好，并推薦偏離用戶曆史商品的有吸引力且未探索過的商品。然而，現有模型單獨考慮冷啟動或過濾氣泡問題，而忽略了它們可以相互作用并加倍損害模型的精度。為此，我們設計了一種新穎的偶然性導向的推薦系統（Generative Self-constrained Serendipitous Recommender System，GS2-RS），它生成用戶的細粒度偏好以提高推薦性能。GS2-RS在統一框架中解決了冷啟動和過濾氣泡問題，無需任何額外的輔助信息，并豐富了推薦模型的可解釋性。我們在四個真實世界基準數據集上全面驗證 GS2-RS 解決冷啟動和過濾氣泡問題的能力。大量實驗表明 GS2-RS 在準确性、偶然性和可解釋性方面優于最先進的模型。此外，我們可以将我們的模型作為預處理過程插入現有的推薦系統中，以提高其性能。
移動智能計算團隊的論文“Zone-Enhanced Spatio-Temporal Representation Learning for Urban POI Recommendation”被IEEE TKDE錄用。論文的第一作者為伟德国际BETVlCTOR王恩教授。第二及通訊作者為徐原博副教授，作者還包括團隊内2022級博士研究生姜毅恒，碩士研究生楊福康以及天普的吳傑教授（AAAS Fellow, IEEE Fellow）。
我們首先從 POI 方面探讨推薦的可解釋性，即對于特定的 POI，其功能通常會随着時間而變化，因此用單個固定潛在向量表示 POI 不足以描述 POI 的動态性質。此外，POI 的簽到操作也會受到其所在區域的影響。換句話說，從 POI 分布、路段和曆史簽到中學習到的區域嵌入可以共同用于增強 POI 嵌入。沿着這個思路，我們提出了一種時區空間 POI 嵌入模型（ToP），它集成了多知識圖和主題模型，不僅将時空效應引入 POI 嵌入中，還引入了情感約束，以增強可解釋性的推薦。具體來說，ToP通過知識圖譜學習，在空間約束的不同時期學習一個POI的多個潛在向量。為了添加情感約束，ToP 将這些向量與主題模型學習到的區域表示聯合結合起來，以提出可解釋的建議。ToP考慮時間、空間、統一的嵌入框架中的 POI 和情感，這有利于 POI 推薦。對真實長春城市數據集的大量實驗表明，ToP 在通用指标方面實現了最先進的性能，并為消費者的 POI 簽到操作提供了更多見解。
IEEE TKDE全稱IEEE Transactions on Knowledge and Data Engineering，是中國計算機學會推薦的A類頂級國際期刊，在數據挖掘領域享有極高的學術聲譽，影響因子指數8.9。
