近日，數學與計算機科學學院以“Enhancing Session-Based Recommendation With Multi-Interest Hyperbolic Representation Networks”（基于多興趣雙曲表征學習的會話推薦方法）為題發表在人工智能領域國際頂級期刊《IEEE Transactions on Neural Networks and Learning Systems》上。IEEE TNNLS（中科院1區TOP期刊）是人工智能領域的權威期刊，2024年影響因子10.2，5年平均影響因子10.4，在JCR期刊COMPUTER SCIENCE類中排名第3，主要關注神經網絡、機器學習、深度學習、優化算法等相關領域的研究，期刊全年論文錄用率低于18%。
論文第一作者為劉同存博士，馮海林教授為通訊作者。浙江農林大學數學與計算機科學學院為該論文第一單位和通訊作者單位。
隨著隱私保護政策的實施和用戶對個人在線行為隱私保護意識的增強，在線多媒體平臺獲取用戶的行為數據并在云端集中計算變得愈加困難，這就導致傳統的推薦方法難以為用戶提供精準的推送服務。為此，會話推薦（SBR）方法因此應運而生，其核心目標是在無需依賴用戶個人資料或歷史數據的情況下通過當前會話數據識別用戶意圖，可以在端側產生更實時的推薦。然而，現有的方法均在歐式空間利用圖網絡學習物品的嵌入和單一會話表征，難以捕捉用戶在短會話內的多樣性、層次化交互行為模式，是SBR中極具挑戰性的任務。
為此，論文提出了一種多興趣雙曲表示網絡（MIHRN），在雙曲空間精巧地建模復雜的高階空間結構和物品間的序列依賴關系提高SBR的性能。具體而言，使用雙曲超圖神經網絡來挖掘會話中固有的高階空間關系和局部聚集結構；隨后，設計了一個多興趣表示模塊挖掘用戶興趣的多樣性。實驗結果表明，所提出的方法在P@10指標下分別實現了23.81%、14.81%和36.84%的提升。
（數計學院）
浙ICP備11046845號-1 浙公網安備33018502001115號 
