由我院郭良敏教授、研究生周士明等人完成的一篇关于多行为超图对比学习的会话推荐研究成果：“Multi-Behavior Hypergraph Contrastive Learning for Session-Based Recommendation”被数据挖掘领域顶级期刊IEEE Transactions on Knowledge and Data Engineering录用并发表（https://ieeexplore.ieee.org/document/10816604）。

会话推荐旨在通过匿名的会话序列预测用户下一个最有可能交互的目标行为项目。现有大多数研究仅依据用户的目标行为建模会话序列，忽略了用户辅助行为中隐藏的用户偏好。另外，它们使用普通图在当前会话中建模一对一的项目相关性，未能利用其他会话学习更加丰富的项目高阶相关性。为解决上述问题，本文提出一种新颖的基于多行为的超图对比学习会话推荐模型（其框架如图1所示）。该模型将所有会话按照目标行为序列和辅助行为序列分别建模为全局超图，使用对比学习获取全局项目嵌入，并进一步骤合生成全局会话表示，以捕获所有会话角度下的项目高阶相关性。同时，对当前会话设计新颖的局部异构超图，捕获当前会话中不同行为的项目之间的高阶相关性，进一步学习局部会话表示。另外，构造多行为线图，为全局会话表示设计新颖的自监督信号，以增强全局会话表示。最后，使用局部会话表示、全局会话表示、全局项目嵌入进行相似度计算并聚合，从而得到项目的预测交互概率。在三个真实数据集上进行了大量实验，结果证明所提模型在提高会话推荐的准确性方面有显著效果。

IEEE Transactions on Knowledge and Data Engineering是数据挖掘领域顶级国际期刊、中国计算机学会（CCF）推荐的A类国际期刊、中科院一区Top期刊，最新影响因子为8.9。