近日，我院数据智能与决策交叉学科团队在信息检索领域顶级国际会议SIGIR 2025上发表最新研究成果“Hyperbolic Multi-Criteria Rating Recommendation”。SIGIR 2025于7月13日至17日在意大利举行，汇聚了数据挖掘与信息检索领域的最新进展和突破性研究。会议期间，我院博士生郭志豪在“RecSys: Ranking and Adaptivity”会场上做报告，并与来自国内外的专家学者进行了深入交流与探讨。该论文的第一作者为我院2022级博士生郭志豪，通讯作者为我院宋鹏教授。

作为缓解信息过载的关键技术之一，推荐系统已成为人文社会科学与自然科学共同关注的研究领域，被广泛应用于电子商务、社交媒体、新闻资讯等在线服务平台，具有重要的理论与应用价值。传统推荐方法主要在欧式空间中嵌入具有典型幂律分布特性的用户行为数据，并采用单准则学习范式实现模型的训练与优化。然而，单准则方法忽略了人类在物品评价与选择决策时高阶的多准则偏好特征，且模型可能在欧氏空间中由于层次结构的失真产生次优解，进而限制推荐方法的准确性。为了应对上述挑战，研究团队创新性地提出了一种基于双曲图神经网络的多准则推荐框架（见图1），基于洛伦兹模型在双曲空间中学习用户与物品的嵌入表示，利用其指数级扩展的特性捕捉用户行为的层次化结构，进而更有效地挖掘用户行为的多准则偏好特征，提升推荐系统的预测性能。

图1 基于双曲图神经网络的多准则推荐框架

实验结果表明，所提出的方法在多个现实多准则推荐场景中的预测性能显著优于现有方法（见图2），其设计的双曲建模范式有效挖掘了用户行为数据中层次化的多准则偏好特征（见图3）。

图2 多准则推荐场景中各方法的预测性能比较

图3 多准则推荐场景中用户嵌入的可视化

该研究工作得到国家自然科学基金（72171137, U21A20473, 62406180）、山西省基础研究计划项目（202203021211331, 202403021212337）、j9九游国际站交叉学科项目等支持。

SIGIR (ACM Special Interest Group on Information Retrieval)创办于1971年，是国际上公认的数据挖掘与信息检索领域的顶级会议，主要发表人工智能、信息检索、推荐系统等领域的高质量前沿研究成果。

论文链接：https://doi.org/10.1145/3726302.3730000

一审：李    斌

二审：马瑞敏

三审：王晓青