计算机学院胡新荣教授团队在人工智能顶级期刊Pattern Recognition发表对抗性序列推荐研究成果

近日，我校计算机（网安）学院胡新荣教授团队研究成果《DENOTER: Dual cascadEd iNformatiOn filTERing for robust sequential recommendation》被人工智能领域顶刊Pattern Recognition（中科院一区Top、CCF B类期刊）接受，该论文以武汉纺织大学为第一完成单位，姚迅老师为论文第一作者。澳大利亚伍伦贡大学杨捷博士为通讯作者，与澳大利亚伍伦贡大学及西悉尼大学等单位学者合作完成。文章链接：https://www.sciencedirect.com/science/article/pii/S0031320326007235

序列推荐系统的对抗性攻击通过注入噪声或无关交互行为篡改输入序列，进而干扰模型正常推理，本文的工作针对这一问题，提出了图1所示的Dual cascadEd iNformatiOn filTERing (DENOTER)（双级联信息过滤）算法，用以削弱对抗攻击带来的负面影响。

Dual cascadEd iNformatiOn filTERing (DENOTER)算法框架

该算法采用双层自适应过滤机制。即在特征层面，引入维度可调节的单向前向随机模型，动态筛选并保留核心有效特征，高效过滤恶意扰动信息；在项目层面，依托古贝尔（Gumbel）采样策略，选择性保留关键显著项目。基于五组数据集与四类主流编码器实验结果表明：在多种复杂对抗环境下，DENOTER 算法性能全面优于现有基线模型，即便在低资源与跨域场景中，仍能同时保持优异的模型鲁棒性与推荐准确率。该研究通过特征过滤与项目过滤交替执行的多层优化结构，逐步削弱输入序列中受对抗扰动的项目与特征所产生的干扰。无需额外的数据增强策略与模型重新训练，即可实现高鲁棒性推荐。

随着人工智能（AI）应用日益快速地渗透到社会生活的方方面面，计算机（网安）学院顺应时代潮流，紧跟国家战略规划，贴近社会服务需求，广泛开展国际合作与交流，不断推进自然语言处理等方面的最新研究成果落地于服装推荐系统等应用场景，并取得了一系列高水平成果。