图4 张路明、陈映欣、王怡嘉团队比赛现场

 

在学者推荐系统中，准确性和可解释性是两个关键要求。为此，张路明团队提出了一种基于变异图自动编码器（VGAE）的新型模型，名为L-MAVGAE（L2 Normalization and Multi-Head Attention based Variational Graph AutoEncoders），用于学者推荐。VGAE利用链接预测来有效捕捉图数据中节点之间的复杂关系和依赖性，可用于学者推荐任务。通过预测学者之间链接的存在概率，我们可以推荐概率最高的前 k 名学者。L-MAVGAE 采用双层图注意力网络（GAT）取代了原来的图卷积网络（GCN），该网络采用多头注意力机制，大大增强了模型捕捉图结构的能力。实验结果表明，我们提出的模型在 Scholar 数据集上的表现优于基线模型。 同时，为了提高推荐结果的可解释性，进一步采用了 SHapley Additive exPlanations（SHAP）来进行解释性分析。SHAP 模型揭示了模型在推荐过程中重点关注的关键特征和节点关系，从而增强了用户对推荐系统的信任和理解。

图5 魏玲铃、钟志杰、林韵璇团队比赛现场

学者推荐是一项重要的个性化服务功能，可以通过链接预测任务来实现。基于图的自动编码器是解决链接预测任务的常用方法之一。然而，目前使用的大多数基于图的自动编码器方法仍未完全挖掘出图中节点特征的巨大潜力。主要问题是没有充分利用特征空间中的信息。在本文中，魏玲铃团队提出了一种用于链接预测的全新图嵌入框架，称为特征感知变异图自动编码器（FAVGAE）。使用 k 近邻算法（KNN）来构建特征结构图，以便充分利用特征空间中的数据。然后，编码器利用原始拓扑图、特征结构图和节点特征来学习节点向量表示的分布。通过从该分布中采样，生成节点向量表示，并使用解码器重建图的邻接矩阵。在所提供的 ScholatNet 数据集上进行的实验评估表明，所提出的模型在链接预测任务中表现最佳，优于其他基线方法。

图6 最佳学生论文获奖现场

王怡嘉等人发表的论文题目为《Adaptive DeepWalk and Prior-Enhanced Graph Neural Network for Scholar Influence Maximization in Social Networks》，获得了最佳学生论文称号。由于学术社交媒体快速发展，学者社交网络中的节点影响力扩散问题日益受到影响力最大化（IM）领域的广泛关注 。现有基于学习的 IM 问题求解方法通常仅依赖于网络拓扑或单个节点活动，缺乏对网络拓扑和节点重要信息的综合考虑，导致模型性能不佳。通过综合考虑网络拓扑结构以及节点的全局信息和重要性，王怡嘉等人提出了一种基于自适应 DeepWalk 算法和先验增强图神经网络（GNN）的深度强化学习（DRL）框架： APGD-IM，旨在优化上述问题导致的性能下降。具体来说，提出了一种基于注意力机制和节点重要性信息的自适应 DeepWalk 算法 DRA，以及一种先验增强型图神经网络模块 PGNN，用于生成节点嵌入。之后，通过结合双深度 Q 网络，利用这些嵌入来学习参数，从而解决社交网络中的学者影响力最大化问题。四个真实社交网络的实验结果表明，王怡嘉等人 提出的模型优于其他基线方法，并在不同的扩散模型中保持稳定的性能优势。

 

此次参加会议收获颇丰，也让学生们学习到了许多，感谢全国计算机支持的协同工作与社会计算学术会议组织委员会的支持。