研究组在计算机研究与发展与KIS期刊录用论文

图数据挖掘与智能教育研究组 (GraphAI4IE)

更多动态

2026-06-05

文章标题：异配性自适应感知增强的超图神经网络
录用期刊：计算机研究与发展（计算领域高质量期刊分级目录T1类）
文章摘要：由于同一超边连接的节点更容易具有不同类别，超图常常表现出明显的异配性.这使得传统基于同配性假设的超图神经网络难以有效聚合邻域信息，也难以捕获长距离的相似性依赖关系，导致次优的超图表示学习性能.针对该问题，提出一种异配性自适应感知增强的超图神经网络HHNN（Heterophily Hypergraph Neural Networks），其采用Transformer和图卷积网络GCN（Graph convolutional networks）并行双分支结构.Transformer分支引入竞争自适应位置编码（Competitive Adaptive Positional Encoding，CAPE）模块，可以动态学习节点间语义位置偏差，以捕获远距离但语义相关的节点特征信息.GCN分支则通过异配感知特征聚合（Heterophily-aware Feature Aggregation，HFA）模块显式建模节点与超边之间的高阶结构相关性，并依据节点特征与超边异配强度实现差异化的局部邻域特征聚合.在真实超图和合成超图数据集进行大量实验，结果表明HHNN在节点分类准确性、表征鲁棒性及运行效率方面均优于现有代表性方法.

HHNN方法框架

文章标题：Enhancing Social Recommendation via Self-supervised Social Relations Refinement

录用期刊：Knowledge and Information Systems （CCF B）

文章摘要：社会化推荐旨在整合社交关系和用户-物品交互信息以提升推荐性能，在学术界和工业界受到了越来越多的关注。近期，基于图神经网络（GNNs）的社会化推荐方法取得了显著成效。然而，其中大多数方法往往忽略了与社交关系相关的两个关键问题。首先，社交关系中往往包含大量噪声，即有朋友关系的用户可能并不一定具有相似的偏好。其次，社交关系往往非常稀疏，即大多数用户只有少数几个朋友。这两个问题阻碍了GNNs获取准确且充分的社会监督信号，从而导致性能不佳。鉴于此，我们提出了一种用于社交推荐的自监督社交关系细化（S³R²）方法。具体而言，该方法设计了一个自适应去噪网络，该网络能够在协作信号的监督下自动调整关系权重，并突出偏好相关的社交关系。为了缓解稀疏性问题，S³R²构建了噪声视图和超图视图以增加更多的辅助自监督信号，同时利用多视图对比学习框架来全面训练推荐模型。在三个基准数据集上进行的大量实验证明了S³R²的优越性。

S³R²方法框架

登录用户可以查看和发表评论，请前往登录或注册。