近日，数学与计算机科学学院以“Enhancing Session-Based Recommendation With Multi-Interest Hyperbolic Representation Networks”（基于多兴趣双曲表征学习的会话推荐方法）为题发表在人工智能领域国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》上。IEEE TNNLS（中科院1区TOP期刊）是人工智能领域的权威期刊，2024年影响因子10.2，5年平均影响因子10.4，在JCR期刊COMPUTER SCIENCE类中排名第3，主要关注神经网络、机器学习、深度学习、优化算法等相关领域的研究，期刊全年论文录用率低于18%。

论文第一作者为刘同存博士，冯海林教授为通讯作者。浙江农林大学数学与计算机科学学院为该论文第一单位和通讯作者单位。

随着隐私保护政策的实施和用户对个人在线行为隐私保护意识的增强，在线多媒体平台获取用户的行为数据并在云端集中计算变得愈加困难，这就导致传统的推荐方法难以为用户提供精准的推送服务。为此，会话推荐（SBR）方法因此应运而生，其核心目标是在无需依赖用户个人资料或历史数据的情况下通过当前会话数据识别用户意图，可以在端侧产生更实时的推荐。然而，现有的方法均在欧式空间利用图网络学习物品的嵌入和单一会话表征，难以捕捉用户在短会话内的多样性、层次化交互行为模式，是SBR中极具挑战性的任务。

为此，论文提出了一种多兴趣双曲表示网络（MIHRN），在双曲空间精巧地建模复杂的高阶空间结构和物品间的序列依赖关系提高SBR的性能。具体而言，使用双曲超图神经网络来挖掘会话中固有的高阶空间关系和局部聚集结构；随后，设计了一个多兴趣表示模块挖掘用户兴趣的多样性。实验结果表明，所提出的方法在P@10指标下分别实现了23.81%、14.81%和36.84%的提升。

（数计学院）