学位论文简介
传统的基于协同过滤与基于内容的方法在面对数据稀疏、冷启动、多样性与可解释性等挑战时表现不佳。为此，学术界和工业界引入了知识图谱（KG）、图神经网络（GNN）、对比学习（CL）和大语言模型（LLM）等新技术，旨在提升推荐系统的可扩展性、准确性、个性化和可解释性。具体来说，本文主要针对下面问题进行深入研究：
（1）针对交互序列中存在兴趣偏差的问题，提出了一个基于简单去偏对比学习的序列推荐模型，通过改进数据增强策略减少采样偏差。
（2）针对交互数据中稀疏性、冷启动和噪声问题，提出了一个基于知识图谱的多层次对比学习推荐模型，旨在缓解知识图谱增强推荐任务中的噪声问题和长尾效应，同时优化模型表示输出的均匀性和对齐性。
（3）针对LLM推荐中信息时效性、令牌长度限制和硬件成本高的问题，提出了一个仅使用小型语言模型进行推荐模型。该模型通过引导学习发挥 LLM 的优势，并克服其在推荐任务中的局限性。
（4）针对LLM推荐中全候选集利用不足和多样性提升的问题，提出了一个基于链式思维引导的生成式推荐模型。该模型通过引入链式思维机制、用户与物品的双重建模，以及上下文增强的动态推理，逐步从完整的物品列表中筛选出用户的兴趣，有效克服上述挑战。
（5）针对有效融合交互数据和上下文数据提升个性化推荐的问题，提出了一个融合语言与图嵌入的个性化推荐。该模型将由预训练语言模型生成的语义嵌入与图神经网络生成的结构嵌入相融合，实现了用户与物品之间的多源信息融合。
主要学术成果
Zuxiang Xie, Junyi Li*. Simple Debiased Contrastive Learning for Sequential Recommendation. Knowledge-Based Systems 2024 Vol.300 P112257 0950-7051. (SCI 1区, 一作)
Zuxiang Xie, Junyi Li*, Ning Wu. Enhancing Alignment and Uniformity of Contrastive Learning for Knowledge-based Recommendation. J2024 International Joint Conference on Neural Networks (IJCNN) Yokohama 2024. (CCF C/EI, 一作)
Zuxiang Xie, Junyi Li*, Yaping Lin. Is It Sufficient to Harness Only Small Language Models for Recommendation? Engineering Applications of Artificial Intelligence, Under review. (SCI 2区，一作, Under review)
Zuxiang Xie, Junyi Li*, Yaping Lin. LGERec: Integrating Language and Graph Embeddings for Personalized Recommendations. Engineering Applications of Artificial Intelligence. (SCI 2区，一作, Under review)
Yingcong Hong, Zuxiang Xie, Junyi Li*, Yaping Lin. Chain-of-Thought Guided Generative Recommendation with Large Language Models. International Conference on Research and Development in Information Retrieval (SIGIR). (SCI 1区/CCF A, 共一作, Under review)
Yingcong Hong, Zuxiang Xie, Junyi Li*, Yaping Lin. Emotion-Driven Recommendations with Large Language Models. Data Mining and Knowledge Discovery, With Editor. (CCF B, 共一作, With Editor)
