日前，鄭州大學計算機與人工智能學院在推薦系統領域取得系列重要進展，相關成果分別發表在國際頂級期刊《IEEE Transactions on Neural Networks and Learning Systems》《IEEE Transactions on Knowledge and Data Engineering》《IEEE Internet of Things Journal》之上，吳賓副研究員為第一作者，葉陽東教授為通訊作者。三項成果的第一單位和通訊單位均為鄭州大學。

在當今信息過載的時代，推薦系統已成為各互聯網應用的核心組件，并深刻影響著人們的日常生活。推薦系統的深入研究不僅可以改善用戶體驗，而且能夠幫助企業獲取豐厚的商業利潤。針對當前推薦方法在復雜動態環境下的局限性，圍繞數據時序動態、數據場景感知、數據規模龐大三個特性，分別提出相應解決方案，在多個推薦場景中均取得較好的表現，具有良好的實際應用前景。

針對主流序列化推薦方法無法顯式刻畫物品之間的相對次序問題，提出圖增強的膠囊網絡。首先，分別設計個性化膠囊模塊和位置感知的門單元模塊，以用于捕獲物品間的聯合層關系和成對關系；進一步，引入一種雙門機制來自適應融合用戶的長期與短期興趣。實驗結果表明，該方法在多個評價指標上顯著優于主流序列化和非序列化的推薦方法。研究成果發表在《IEEE Transactions on Neural Networks and Learning Systems》（全文鏈接：https://ieeexplore.ieee.org/document/9762364）。

針對不同物品領域主導用戶購買決策因素顯著不同的問題，提出融合物品內在與外在特性的推薦方法。首先，設計一種內外兼并的概率矩陣分解模型，以用于細粒度建模物品的視覺因素與功能特性；進一步，提出一種快速交替最小二乘法求解模型參數，并提供一種在線更新模型參數的機制。實驗結果表明，該方法在不同的物品領域其性能均優于主流推薦方法，并通過案例分析說明聯合建模物品內在與外在特性可以獲得理想的推薦效果。研究成果發表在《IEEE Transactions on Knowledge and Data Engineering》（全文鏈接：https://ieeexplore.ieee.org/document/9084265）。

針對主流社會化推薦方法未能顯示模擬用戶偏好與社會影響的傳播過程問題，提出高效非采樣的圖神經網絡方法。首先，設計一種空間自適應的圖卷積模塊，以用于捕獲復雜異構圖中用戶與物品之間的高階連通性；進一步，引入一種考慮全部負樣本的模型優化機制。實驗結果表明，該方法在大規模推薦場景下的準確性、高效性、可行性。研究成果發表在《IEEE Internet of Things Journal》（全文鏈接：https://ieeexplore.ieee.org/document/9714267）。

以上研究得到了國家自然科學面上基金、國家自然科學青年基金、河南省博士后科研啟動項目等資助。