MIC-DM实验室20级本科生吕明阳，刘相逢的论文"Dynamic Multi-lnte rest Graph Neural Network for Session-Based Recommendation "； 23级博士生刘嘉伟的论文"Reducing AUV Energy Consumption through Dynamic Sensor Directions Switching via Deep Reinforcement Learning"； 22级博士生姜毅恒的论文"Auto Encoding Neural Process for Multi-interest Recommendation"被国际人工智能顶会 (AAAI 2025)长文全文录用。第39届美国人工智能年会(AAAI 2025)计划于2025年2月25日-3月4日在美国宾夕法尼亚州费城召开。AAAI是中国计算机学会CCF推荐的A类国际学术会议，在人工智能及自然语言处理领域享有较高学术声誉。这次会议共收到破纪录的12,957篇有效投稿，录用率约23.4%。
论文介绍
(一)
论文标题：Dynamic Multi-Interest Graph Neural Network for Session-Based Recommendation
论文作者：Mingyang Lv, Xiangfeng Liu, Yuanbo Xu*
论文地址：https://github.eom/MICLab-Rec/DMI-GNN/tree/main/p per
代码链接：https://github.com/MICLab-Rec/DMI-GNN
论文概述：基于会话的推荐(SBR)是基于短期匿名用户历史数据执行实时推荐。大多数现有的推荐方法都 遵循将特定会话建模为单个表征的范式，这使得模型难以捕获同一条序列中潜在的多样用户兴趣。近年 来，多兴趣学习已成为解决这一问题的有效方法；然而，由于遵循预设定的兴趣数量，这类方法在短序 列上会生成冗余的兴趣。本文提出了一个多兴趣图推荐模型DMI-GNN,该模型将多兴趣学习框架引入到SBR中，并通过提出多位置模式(MPP)学习方法和动态多兴趣(DMI)正则化，用会话的长度信息指导多个 兴趣表征的学习，从而实现更加灵活的多兴趣建模。在三个基准数据集上的实验表明，DMI-GNN在不同 的指标上取得了优于最先进基线方法的性能。
(二)
论文标题：Reducing AUV Energy Consumption through Dynamic Sensor Directions Switching via Deep Reinforcement Learning
论文作者：Jiawei Liu, Yuanbo Xu, Shanshan Song*, Lu Jiang
论文地址：https://github.com/MICLab-Rec/RECS/tree/main/paper
代码链接：https://github.com/MICLab-Rec/RECS
论文概述：自主水下航行器（AUV）在海洋应用中具有重要作用，但其有限的能源对长期运行构成了重大挑战。由于水下环境复杂且难以预测，AUV需要分配能量给其感知系统以感知周围环境并避开障碍物。本文发现AUV感知传感器全部开启导致了其感知到无效区域而产生了额外能量消耗。首先，本文将AUV感知系统分为可控的八个方向，并将水下环境划分为多个区域，基于AUV已规划路径对区域边缘分配权重。其次，本文使用深度强化学习动态切换不同方向和半径的传感器，以感知AUV所在区域的边缘信息，使其能在仅有部分传感器开启时避开障碍并到达目标点。实验结果表明，所提出的方法相较于传感器全部开启能够有效减少AUV感知系统的能量消耗。
(三)
论文标题：Auto Encoding Neural Process for Multi-interest Recommendation
论文作者：Yiheng Jiang, Yuanbo Xu*, Yongjian Yang, Funing Yang, Pengyang Wang, Chaozhuo Li
论文地址：https://github.com/MICLab-Rec/NP-Rec/tree/main/paper
代码链接：https://github.com/MICLab-Rec/NP-Rec
