2024年5月13日至5月17日，在新加坡圣淘沙名胜世界圣淘沙会议中心举办了The Web Conference 2024。实验室博士生夏家峰同学作为第一作者的论文《Hierarchical Graph Signal Processing for Collaborative Filtering》被本届The Web Conference 2024录用，并参加了此次会议。

会议现场照片

图信号处理（GSP）是信号处理理论在图数据上的扩展，近年来因其出色的性能和无需参数的特性已成为推荐系统领域用于建模用户偏好的常用工具之一。通过在用户交互信号上构建各种类型的滤波器，图信号处理能够识别不同类型的交互模式用于用户偏好建模，从而准确地预测用户未来的交互。现有的方法在设计滤波器时是在所有的用户交互数据上进行的，因此滤波器主要侧重于识别用户的通用交互模式。然而，仅使用用户的通用交互模式会导致用户偏好建模出现偏差，因为识别到的通用交互模式并不一定和用户的偏好完全匹配，它容易受到具有不同交互行为的其他用户的影响，从而导致对用户未来交互的预测不够理想。为解决这一问题，文章提出了一种分层图信号处理方法。受市场营销领域用户细分理论（没有两个用户是完全相同的，也没有两个用户是完全不同的）的启发，HiGSP首先根据用户的历史交互行为将其聚类，使得同一簇内的用户具有相似的偏好，而处于不同簇中的用户则有不同的偏好。然后，HiGSP设计了一个簇内滤波器，用于识别各个簇中用户的交互模式，从而使得识别到的交互模式是用户特定的而不受其他具有不同交互行为的用户的影响。此外，HiGSP还设计了一个全局感知的滤波器，作为对簇内滤波器的补充，用于识别用户的通用交互模式。最后，HiGSP采用了一个线性模型将这两个模块结合起来，以获得更精准的用户交互模式。大量的实验证明，HiGSP在预测准确性方面优于现有基于GCN和GSP的推荐方法，同时在训练效率方面与现有的最高效的方法相当。

模型框架