（通訊員 網軒）近日，第46屆國際計算機學會信息檢索領域會議(ACM Special Interest Group on Information Retrieval,ACM SIGIR2023)官方公布了論文錄用結果。我院三篇科研論文被長文錄用。ACM SIGIR是人工智能領域智能信息檢索（ Information Retrieval，IR）方向最權威的國際會議。會議專注于互聯網搜索、推薦系統和社交媒體等各個方面，是CCF A類會議。

論文”Multi-Scenario Ranking with Adaptive Feature Learning”主要由我院2021級碩士研究生田雨，在我院教授李晨亮（通訊作者）、王骞與阿裡媽媽搜索廣告算法團隊聯合指導下完成。這篇工作提出了面向多場景融合統一的排序模型，針對【推薦和搜索任務】提出了統一的框架。不同于現有工作着眼于網絡層結構的優化和探索，我們認為在模型底層開展場景感知的特征學習對于多場景統一解決方案具有重要價值。通過引入場景自适應的特征重構機制，避免了複雜且昂貴的網絡層結構優化，論文中僅結合簡單的MoE結構就能明顯提高多場景排序性能，同時在實際業務中取得了顯著收益。

論文“Towards Multi-Interest Pre-training with Sparse Capsule Network”主要由我院2021級碩士研究生唐作立，在我院教授李晨亮（通訊作者）、我院副教授鄒立新（通訊作者）與螞蟻集團CTO線機器智能團隊聯合指導下完成。這篇工作提出了面向商品推薦的多興趣預訓練模型，通過利用文本信息作為語義基石，該模型在多個其他推薦場景進行預訓練，然後遷移到目标場景提升推薦性能。不同于一般預訓練工作中采用掩碼語言模型作為預訓練目标，該工作認為推薦系統預訓練模型需要根據推薦系統中存在用戶多興趣的特點，建立與用戶興趣相關的學習目标，同時針對以往基于膠囊網絡的多興趣學習模型中需要預定義用戶興趣的限制，動态學習用戶興趣數目。最終實驗證明了方法的有效性，在多個公開數據集上取得了較明顯的性能收益。

論文“Poisoning Self-supervised Learning Based Sequential Recommendations”主要由我院2019級博士研究生王妍靈，碩士研究生劉昱忱，在我院教授王骞（通訊作者）、香港城市大學教授王聰，與我院教授李晨亮的聯合指導下完成。這篇工作首次證明基于自監督學習的推薦系統易受到投毒攻擊，并提出一種具有普适性的投毒攻擊方案。攻擊者在黑盒模型背景與無API訪問的情況下，生成極少量的惡意用戶來影響自監督學習的預訓練模塊，從而操縱下遊推薦模型的推薦結果。該研究在基于自監督學習的主流推薦系統和商業數據集上進行了驗證，證明了自監督推薦系統為攻擊者提供了新的攻擊面。

據悉，本屆SIGIR會議共收到有效投稿822篇，長文錄用僅165篇，錄用率20.1%，被錄用的稿件反映了信息檢索領域國際最前沿的研究水平。