祝贺我组在自动化会话推荐的工作被国际信息检索顶级会议SIGIR 2022（CCF A类会议）录用!

近日，南京大学PASA大数据实验室在自动化推荐系统（Automated Recommendation System，简称AutoRec）方向的论文“AutoGSR: Neural Architecture Search for Graph-based Session Recommendation”被信息检索领域国际顶级会议 SIGIR 2022 长文录用，该论文是AutoML自动化机器学习与推荐系统两方面交叉融合的研究探索，针对基于图的会话推荐（Session Recommendation）场景，开创性地提出了一种性能优异的图神经网络架构搜索方法。论文工作主要由PASA大数据实验室研究生陈竞帆、侯浩军完成，指导教师为朱光辉博士。

SIGIR 2022会议的全称是45th International ACM SIGIR Conference on Research and Development in Information Retrieval,（第45届ACM国际信息检索大会），将于2022年7月11日-7月15日在西班牙首都马德里召开。SIGIR是中国计算机学会CCF推荐的A类国际学术会议，也是人工智能领域智能信息检索方向最权威的国际会议。这次会议共收到794篇长文投稿，仅有161篇长文被录用，录用率约20%。

会话推荐是推荐领域中最常见的任务之一，其目的是根据用户之前的点击行为预测下一次点击行为。近年来，凭借着优异的预测性能，图神经网络在会话推荐领域取得了巨大成功。为了捕获不同类型的会话信息，如局部上下文信息、项目长距离依赖信息以及项目跳转语义信息，各种图神经网络架构相继被提出。然而，在现实推荐场景中，不同的会话数据具有不同的类型信息，缺少一种有效的架构设计方法能够自适应地捕获给定会话数据的类型信息。为了解决上述问题，论文研究提出一种面向会话推荐的架构搜索方法，简称AutoGSR，用于自动发现最优的基于图神经网络的会话推荐模型。首先，论文在已有会话图的基础上，研究提出了边顺序保留的关系会话图（EOP Relational Graph）以及混合会话图（Mixup Graph）。其次，研究设计了一种紧凑、表达力强且能够覆盖不同类型会话信息的搜索空间。然后，研究提出了一种高效可微的面向会话推荐的图神经网络架构搜索方法。最后，为了指导最终的项目表示学习，降低架构搜索可能存在的偏差，进一步研究设计了项目元知识学习器。在三个真实数据集上的实验结果表明，AutoGSR能够自动搜索有效的网络架构，并且能够取得最优的推荐性能。另外，本论文也是第一个将AutoML自动化机器学习中的架构搜索技术应用到会话推荐场景的工作。

除了本论文外，PASA大数据实验室另外一篇自动化推荐系统方向的论文“NAS-CTR: Efficient Neural Architecture Search for Click-Through Rate Prediction”也被SIGIR 2022长文录用。此次两篇论文同时入选 SIGIR，是PASA大数据实验室长期以来在AutoML自动化机器学习领域持续深耕的成果，也是在AutoML自动化机器学习与推荐系统两方面交叉融合的探索研究成果。