近日，山东大学计算机科学与技术学院通用智能实验室师生撰写的论文被SIGIR 2025录用。第48届国际信息检索大会(The 48th International ACM SIGIR Conference on Research and Development in Information Retrieval)将于2025年7月13日-2025年7月17日在意大利帕多瓦举行。SIGIR是是信息检索领域的旗舰会议，也是中国计算机学会CCF推荐的A类会议。
录用的文章如下：

标题：Improving Sequential Recommenders through Counterfactual Augmentation of System Exposure

作者：Ziqi Zhao, Zhaochun Ren, Jiyuan Yang, Zuming Yan, Zihan Wang, Liu Yang, Pengjie Ren, Zhumin Chen, Maarten de Rijke, Xin Xin

内容简介：

在序列推荐中，系统曝光（system exposure）指的是向用户展示的物品。通常，用户只会与其中少数物品发生交互。尽管序列推荐在预测用户未来兴趣方面取得了显著成功，但现有的方法尚未充分利用系统曝光数据。大多数方法仅对用户实际交互的物品进行建模，而忽视了大量虽被曝光但未被交互的物品。即使考虑了系统曝光的部分方法，也通常仅使用历史记录中已有的曝光数据进行训练，无法挖掘用户未被观察到的兴趣点。

为此，本文提出了一种基于系统曝光的反事实增强序列推荐方法（CaseRec）。为了更好地建模历史系统曝光，CaseRec 引入了强化学习机制，对不同的曝光结果赋予不同的奖励。CaseRec 采用基于Decision Transformer (DT)的序列模型，将曝光序列作为输入，并根据用户反馈分配奖励。为了挖掘用户未被观察到的兴趣，CaseRec 进一步引入了反事实增强机制，即将已曝光的物品替换为反事实物品。然后，使用一个基于Transformer的用户模拟器对增强后的物品预测用户反馈奖励。该增强机制与用户模拟器共同生成反事实曝光序列，以挖掘新的用户兴趣点。最终，CaseRec 将日志中的真实曝光序列与生成的反事实曝光序列结合，训练基于DT的序列推荐模型，用于生成推荐结果。在三个真实世界的数据集上的实验结果表明，CaseRec 具有良好的推荐效果。

图：CaseRec方法示意图