日前，郑州大学计算机与人工智能学院在推荐系统领域取得系列重要进展，相关成果分别发表在国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》《IEEE Transactions on Knowledge and Data Engineering》《IEEE Internet of Things Journal》之上，吴宾副研究员为第一作者，叶阳东教授为通讯作者。三项成果的第一单位和通讯单位均为郑州大学。

在当今信息过载的时代，推荐系统已成为各互联网应用的核心组件，并深刻影响着人们的日常生活。推荐系统的深入研究不仅可以改善用户体验，而且能够帮助企业获取丰厚的商业利润。针对当前推荐方法在复杂动态环境下的局限性，围绕数据时序动态、数据场景感知、数据规模庞大三个特性，分别提出相应解决方案，在多个推荐场景中均取得较好的表现，具有良好的实际应用前景。

针对主流序列化推荐方法无法显式刻画物品之间的相对次序问题，提出图增强的胶囊网络。首先，分别设计个性化胶囊模块和位置感知的门单元模块，以用于捕获物品间的联合层关系和成对关系；进一步，引入一种双门机制来自适应融合用户的长期与短期兴趣。实验结果表明，该方法在多个评价指标上显著优于主流序列化和非序列化的推荐方法。研究成果发表在《IEEE Transactions on Neural Networks and Learning Systems》（全文链接：https://ieeexplore.ieee.org/document/9762364）。

针对不同物品领域主导用户购买决策因素显著不同的问题，提出融合物品内在与外在特性的推荐方法。首先，设计一种内外兼并的概率矩阵分解模型，以用于细粒度建模物品的视觉因素与功能特性；进一步，提出一种快速交替最小二乘法求解模型参数，并提供一种在线更新模型参数的机制。实验结果表明，该方法在不同的物品领域其性能均优于主流推荐方法，并通过案例分析说明联合建模物品内在与外在特性可以获得理想的推荐效果。研究成果发表在《IEEE Transactions on Knowledge and Data Engineering》（全文链接：https://ieeexplore.ieee.org/document/9084265）。

针对主流社会化推荐方法未能显示模拟用户偏好与社会影响的传播过程问题，提出高效非采样的图神经网络方法。首先，设计一种空间自适应的图卷积模块，以用于捕获复杂异构图中用户与物品之间的高阶连通性；进一步，引入一种考虑全部负样本的模型优化机制。实验结果表明，该方法在大规模推荐场景下的准确性、高效性、可行性。研究成果发表在《IEEE Internet of Things Journal》（全文链接：https://ieeexplore.ieee.org/document/9714267）。

以上研究得到了国家自然科学面上基金、国家自然科学青年基金、河南省博士后科研启动项目等资助。