近日，我校信息与电气工程学院引进优秀人才巩雯雯副教授最新研究成果“DivGCL:A Graph Contrastive Learning Model for Diverse Recommendation”在人工智能领域CCF-A类学术会议AAAI 2025（AAAI Conference on Artificial Intelligence）上正式发表。

如何平衡推荐的准确性和多样性是智能推荐领域极具挑战的难题。为此，研究团队提出了一种全新的用于多样化推荐的图对比学习模型DivGCL，通过在四个公共数据集上的大量实验表明，该方法在平衡准确性与多样性方面显示出明显的优势。该成果可以与农业领域的大模型集成，有助于极大地提高知识检索的整体性能和有效性。

论文所提出DivGCL模型的整体架构图

所提出的图对比学习模型DivGCL主要包括两个部分，一方面，通过引入高斯噪声对比增强视图与原始图像，改进InfoNCE目标，学习更具信息性和分布均匀的节点表征；另一方面，受行列式点过程（DPP）启发，研究团队设计了一种新颖的基于DPP似然的损失函数，通过联合优化改进的InfoNCE，实现了推荐准确性和多样性之间的理想平衡。同时，在四个广泛使用的公开数据集（MovieLens-1M、Beauty、AMiner和 Yelp2018）上进行了全面实验，涵盖电影、商品、科研资源和商业等不同领域，显示了DivGCL 在平衡准确性和多样性方面能够取得最先进（SoTA）的效果。

该研究工作的第一完成单位为中国农业大学，合作单位包括中国石油大学和清华大学等。我校信息与电气工程学院巩雯雯副教授为论文的第一作者，中国石油大学齐连永教授为论文的通讯作者，共同作者包括清华大学博士研究生张丹等。该研究工作得到国家自然科学基金课题（No. 62372242）、山东省自然科学基金（No. ZR2023MF007）和新技术软件国家重点实验室开放课题（No. KFKT2024B50）的资助。