近日，实验室举行了博士生张晓堃的博士学位论文答辩会，张晓堃博士顺利通过博士答辩，获得了博士学位。张晓堃博士的研究方向为信息检索及自然语言处理，聚焦于推荐系统算法的研究。在博士就读期间，张晓堃博士以第一作者在中国计算机协会(CCF)推荐的A类顶级会议及期刊上发表5篇论文，包括SIGIR、TKDE及TOIS，并获得IPM2022年最佳博士论文提名奖。张晓堃的博士论文题目是《基于用户行为模式挖掘的多模态会话推荐算法研究》，其指导教师为林鸿飞教授。论文摘要如下：

会话推荐系统旨在根据匿名用户在短期内的行为捕获其兴趣偏好，进而为其提供个性化推荐服务。现有的会话推荐算法大都聚焦于单一的商品 ID 信息，根据会话包含的商品 ID 序列挖掘商品间的关联模式，然后形成个性化推荐列表。然而，简单的商品 ID 序列只能体现商品间浅层的关联模式，无法揭露用户复杂的行为模式，这极大地限制了现有方法的有效性。事实上，商品的多模态信息如商品价格、类别、图片、描述文本及用户评论文本等，蕴含了更为丰富的用户行为特点，体现了深层次的用户行为模式，为提高会话推荐系统的性能提供了巨大潜力。因此，本文旨在将丰富多样的多模态信息引入到会话推荐系统中，探究各种模态信息对揭露用户个性化偏好的独特作用，挖掘多模态信息中所体现的复杂的、深层次的用户行为模式，并据此设计相应的神经网络模型建模用户的复杂行为模式，进而提高会话推荐系统的性能表现。具体来说，本文的主要研究内容如下:

(1) 针对用户行为受商品价格的影响，本文提出了基于双偏好学习的会话推荐算法 (简称为 BiPNet)，以同时捕获用户的价格偏好和兴趣偏好。 BiPNet 实现了一个具有三层卷积操作的异质超图网络，从商品价格、类别、品牌中挖掘用户的价格偏好及兴趣偏好。随后， BiPNet 设计了一种双偏好学习机制，以探索用户价格偏好和兴趣偏好在决定用户最终行为时的复杂关系，并据此形成个性化推荐列表。多个公开数据集上的大量实验证明了 BiPNet 的有效性。

(2) 针对用户在描述型信息 (图片及文本) 上的确定性行为及数值型信息 (价格)上的概率性行为，本文提出了基于确定性及概率性建模的会话推荐算法 (简称为MMSBR), 以探究用户在不同模态信息上的行为模式差异。对于描述型信息， MMSBR设计了一种伪模态对比学习机制来增强描述型信息的表示。然后， MMSBR 开发了一种层次化枢纽 Transformer 来融合异质的描述型信息。对于数值型信息， MMSBR 利用高斯分布表示商品价格，并设计了一种 Wasserstein 自注意力机制来处理用户在数值型信息上的概率性行为。多个公开数据集上的大量实验证明了 MMSBR 的有效性。

(3) 针对商品 ID 反映的商品共现关系及商品模态信息 (图片和文本) 体现的用户细粒度偏好，本文提出了基于 ID 和模态信息解耦的会话推荐算法 (简称为 DIMO)，以对 ID 和模态信息的不同效应进行解耦。在商品层面， DIMO 设计了一种共现表示机制显式地将共现关系注入到商品 ID 的嵌入表示中，同时对齐异质的模态信息以对模态信息进行统一的嵌入表示。在会话层面， DIMO 提出了一种多视角自监督解耦算法以对 ID 和模态信息进行解耦。基于解耦的 ID 和模态信息， DIMO 通过因果推断形成个性化推荐列表，并且创建了两种模版来对推荐的结果进行解释说明。多个公开数据集上的大量实验证明了 DIMO 的有效性。

(4) 针对评论文本中属性-观点对体现的细粒度用户行为模式，本文提出了基于属性-观点对的细粒度会话推荐算法 (简称为 FineRec)，以细粒度地刻画用户偏好及商品特征。 FineRec 利用大语言模型 (LLM) 从用户-商品评论文本中抽取相关的属性-观点对。对于每个属性， FineRec 构建了一个特定属性的用户-观点-商品图。同时， FineRec提出了一个多样性感知的卷积操作，在每个属性下的用户-观点-商品图中学习细粒度的用户和商品嵌入表示。然后， FineRec 设计了一个交互驱动的融合机制，来融合不同属性下的用户和商品嵌入表示，并最终形成个性化推荐列表。多个公开数据集上的大量实验证明了 FineRec 的有效性。