近日，The 46th International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR 2023）录用论文结果揭晓。实验室博士生邓智颖的论文"Multi-view Multi-aspect Neural Networks for Next-basket Recommendation"和硕士生陈倩的论文“Knowledge-enhanced Multi-View Graph Neural Networks for Session-based Recommendation”分别被录用为长文。

邓智颖的论文针对现有的NBR（Next-basket Recommendation）推荐中存在的两大问题：（1）忽略了低层次的物品相关性导致学习到粗粒度的物品表征，从而使得用户兴趣挖掘不充分；（2）忽略了重复行为中存在的虚假兴趣，导致用户兴趣学习存在偏差，提出了多视角多方面推荐模型（Multi-view Multi-aspect Neural Recommendation, MMNR）。首先，设计了一个多视图嵌入模块，从用户端和物品端分别对交互行为进行规范化来去除虚假兴趣，并将规范后的值分别作为来自用户端和物品端的兴趣权重，将它们视为来自两个不同视图的物品嵌入权重。从用户端来看，该权重代表特定用户对所有项目的兴趣水平，从而有助于全面的用户兴趣捕捉；从物品端来看，该权重揭示了不同用户对具有不同流行度的特定商品的兴趣程度，从而能够识别用户对彼此的影响。其次，设计了一个多方面表示学习模块，用于推断物品的潜在方面表征，来捕捉用户的多方面兴趣。具体来说，该模块在识别Basket内的物品方面时，在方面级别使用滑动窗口来充分探索物品周围的物品所属的方面，从而捕捉低层次的物品相关性。在四个基准数据集上进行了大量实验，实验结果验证了所提出的MMNR方法的有效性。

陈倩的论文针对目前基于会话推荐的图神经网络模型中存在的两大问题：（1）数据稀疏性问题；（2）为解决数据稀疏性问题提出的跨会话会话推荐模型中的关系冗余问题，提出了一种具有多个视图的、能有效利用物品间多种关系的图神经网络模型，来在解决数据稀疏性问题的同时又不引入关系冗余。该模型提出了三个视图（知识视图、会话视图和成对视图）来利用物品间的局部关系和全局关系。其中知识视图引入知识图谱来丰富物品的语义信息，并使用一种利用关系信息的图注意力网络来学习物品间的全局关系；会话视图使用图注意力网络来学习物品间的局部关系中的序列模式，也就是会话中物品之间的上下文转换信息；成对视图通过学习会话中任意两个物品之间的共性关系，来提取物品间的局部关系中的特征模式。通过融合三个视图学习到的嵌入表示，最终得到的会话表征具有序列无关的语义信息、会话中的上下文信息以及物品之间序列无关的共性信息，因此能够在解决物品稀疏性问题的同时又不引入关系冗余，提高模型性能。实验结果验证了所提出模型的有效性。

SIGIR是数据库/数据挖掘/内容检索领域的CCF-A类国际学术会议，在相关领域享有较高学术声誉。本届会议共收到有效投稿论文822篇，最终录用165篇，录用率约为20.1%。