近日，我校电子信息学院杨沛麟老师作为第一作者，我校作为第一单位，在国际知名期刊《Applied Soft Computing》上发表题为“A graph attention network with contrastive learning for temporal review-based recommendations”的学术研究论文。该论文由电子信息学院杨沛麟老师、刘艳丽教授与天津理工大学、亚洲大学实验室团队合作完成。《Applied Soft Computing》是中国科学院一区TOP期刊，当前影响因子为8.7，主要关注模糊逻辑、神经网络、进化计算、群体智能和其他类似技术领域的应用、进展和收敛方面的最高质量的研究，以解决现实世界的复杂性。

User-item graph with edge features

GANCL Framework

近年来，基于评论的推荐系统引起了研究人员的广泛关注。然而，应用评论来提高推荐性能仍然面临一些尚未解决的问题：

（1）大多数现有工作无法捕捉到时变的用户偏好和高阶的协同特征；

（2）现有的大多数工作通常使用监督学习通过有限的用户和项目交互来训练模型，这不足以学习更准确地推荐模型。

为了克服这些问题，提出了一种新颖的具有对比学习的图注意力网络，用于基于时序评论的推荐，称为GANCL。具体来说，为了捕捉动态用户偏好和高阶协同特征，设计了一个以时序评论信息和评分为边的用户项目二分图，然后利用图注意力和不同的门控机制来提取相应的特征。为了充分利用用户和项目之间有限的交互，对二分图中的节点和边使用对比学习范式来更有效地对用户和项目的交互进行建模。在Amazon的五个公开数据上进行的大量实验证明，与目前最先进的算法相比，GANCL的性能在MSE和MAE上分别提高了2.76%和2.83%。

MSE results of comparison methods on different datasets

MAE results of comparison methods on different datasets