研究室的1篇推荐系统论文被ICDE 2024接收：Hulingxiao He, Xiangteng He*, Yuxin Peng, Zifei Shan and Xin Su, "Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation", 40th IEEE International Conference on Data Engineering (ICDE), 2024。ICDE是数据挖掘领域的顶级国际学术会议，也是CCF推荐的A类会议。祝贺何胡凌霄同学！
  现有的推荐系统仅能在物品热启动或冷启动推荐任务上取得性能提升，难以平衡两种场景下的推荐性能。针对上述问题，本文提出了一种基于异构图与同构图学习的推荐方法。首先设计边信息（物品文本、图像、属性等）感知的异构图学习，基于协同知识图谱编码并传递物品的品牌、类别、描述等属性特征，基于用户-物品交互图编码并传递用户与物品间的协同关系，以及与交互行为相关的物品文本或图像特征，实现对不同种类的用户兴趣与物品特征的提取。其次通过模态特定的同构图学习，在基于文本与图像特征相似性的物品-物品关联图上构建物品间的结构关联，在基于交互行为相似性的用户-用户共现图上构建用户间的兴趣关联，实现冷启动物品和与之存在潜在关联的热启动物品、冷启动物品和与之存在潜在交互可能的用户之间的信息传递，丰富冷启动物品的表示。本文方法在推荐系统经典评测数据集Amazon和腾讯微信真实业务数据集Weixin-Sports上进行了验证，结果表明本文方法能够在保持物品热启动推荐准确性的同时，显著提升冷启动推荐的准确性。