题 目： Graph Bottlenecked Social Recommendation
作 者：Yonghui Yang, Le Wu*, Zihan Wang, Zhuangzhuang He, Richang Hong, Meng Wang
简 介：社交推荐对于个性化服务至关重要。基于图的方法展现出了潜力，但通常忽视了嘈杂的社交网络，影响了准确性。图瓶颈社交推荐（GBSR）框架旨在去噪社交结构以获得更好的推荐结果。通过最大化推荐标签与最小化原始图之间的互信息，GBSR减少了冗余的社交关系。该框架包括社交图优化和瓶颈学习组件。实验结果展示了GBSR的有效性和多功能性。
 PDF   Code

题 目： Path-Specific Causal Reasoning for Fairness-aware Cognitive Diagnosis
作 者：Dacao Zhang, Kun Zhang*, Le Wu, Mi Tian, Richang Hong, Meng Wang
简 介：Cognitive Diagnosis (CD) predicts student knowledge proficiency in Intelligent Education using student-exercise data.认知诊断(CD)利用学生习题数据预测学生在智能教育中的知识熟练程度。隐私问题往往被忽视，导致社会问题。特定路径因果推理框架(PSCRF)通过利用敏感属性来解决这个问题，同时删除与隐私相关的直接连接方式。PSCRF保持了公平性和诊断的准确性，这在PISA等数据集上得到了验证。
 PDF   Code

题 目： Popularity-Aware Alignment and Contrast for Mitigating Popularity Bias
作 者：Miaomiao Cai, Lei Chen, Yifan Wang, Haoyue Bai, Peijie Sun, Le Wu, Min Zhang*, Meng Wang*
简 介:  协同过滤(CF)由于项目分布不均匀而面临流行偏差问题，导致流行和不流行项目之间的准确率差距。为了解决这个问题，引入了人气感知对齐和对比度(PAAC)。PAAC利用受欢迎的项目信号来促进不受欢迎的项目表征，并调整对比学习来减少受欢迎的表征差距。大量的实验验证了PAAC在减轻人气偏见方面的有效性。
 PDF   Code  

标 题：Double Correction Framework for Denoising Recommendation
作 者：Zhuangzhuang He, Yifan Wang, Yonghui Yang, Peijie Sun, Le Wu*, Haoyue Bai, Jinqi Gong, Richang Hong, Min Zhang*
简 介：推荐系统中的隐式反馈通常是嘈杂的，源于现实世界的场景，如误点击或非偏好行为。在模型训练过程中去除噪声样本是一种常见的解决方案，但存在局限性。为了解决这个问题，我们提出了去噪建议的双重校正框架(DCF)。该框架包括精确的样本丢弃和数据稀疏性避免。通过分析样本损失趋势和浓度不等式，我们有效地识别和处理了有噪声的硬样本。在各种数据集和架构上的实验结果证实了我们方法的有效性。
 PDF   Code