2020级硕士研究生张兵杰同学的论文“Relationship-aware contrastive learning for social recommendations”在中科院一区SCI期刊，中国计算机学会推荐B类期刊（CCF B类）Information Sciences上发表。张兵杰同学是我院计算机技术专业2020级硕士研究生。

期刊简介：Information Sciences是Elsevier旗下信息科学领域权威级期刊，该期刊主要涵盖机器学习、智能系统、数据挖掘、计算机视觉、自然语言处理、人工智能和其它相关领域的最新研究进展。该期刊具有很高的学术影响力和应用价值，它发表的文章对于推动信息科学的发展和推进具有重要作用，同时也为学者和研究人员提供了一个了解信息科学领域最新研究进展的重要平台。

期刊类别：中科院1区，CCF推荐列表B类期刊。

论文题目：Relationship-aware contrastive learning for social recommendations

第一作者为我院教师冀进朝博士，我院2020级硕士研究生张兵杰同学为学生第一作者，通讯作者为我院张邦佐副教授。

论文概述：流行度偏差是推荐系统中一个突出的挑战。目前基于对比学习（CL）的工作缓解了这一问题，但忽略了数据之间的关系，这限制了CL的能力，导致用户/项目的个性化特征丢失，从而降低了推荐系统的性能。本文提出了一个与模型无关的对比学习推荐框架，称为关系感知对比学习（ReACL）。ReACL框架利用用户社交关系的同质性原理，实现了节点的均匀分布，并对相关特征进行对齐，以保留个性化特征，避免了流行度偏差的问题。首先将用户-项目交互图与社交网络图结合，以挖掘用户社交关系以及项目共性关系视图。然后，应用这两种视图分别在用户侧和项目侧构造对比学习对。其次设计了两个样本选择器和一个增强的对比损失函数来保留节点的个性化特征。同时联合优化了监督学习和对比学习这两个任务。最后，在四个公开数据集上进行了广泛实验，验证了所提出的ReACL框架优于当前最先进的算法。总体框架见下图：