来源：高瓴人工智能学院

8月9日，中国人民大学高瓴人工智能学院师生有2篇长文分别被国际学术会议ACM CIKM2021 Applied Research Track和CIKM2021 Resource Track录用。CIKM是信息检索和数据挖掘领域顶级学术会议之一。CIKM2021 Applied Research Track共有290篇有效投稿，其中69篇论文被接收，接受率为24%；CIKM2021 Resource Track共有80篇有效投稿，其中26篇论文被接收，接收率为32.5%。此前刚刚公布的CIKM2021 Research Track,中国人民大学高瓴人工智能学院师生另有11篇长文被录用。

2021年1月至今，高瓴人工智能学院已发表或被录用CCF A类国际期刊和会议论文51篇、CCF B类期刊和论文21篇；以人大师生为第一作者或通讯作者发表的论文数量为64篇。

附：录用论文介绍

论文题目：Contrastive Curriculum Learning for Sequential User Behavior Modeling via Data Augmentation（Applied Research Track ）

作者：卞书青，赵鑫，周昆，蔡晶，何晏成，尹存祥，文继荣；通讯作者：赵鑫

论文概述：在线App场景中，捕捉用户连续行为的语义信息准确建模用户兴趣至关重要。然而，行为特征的动态性和稀疏问题使得难以有效训练用户表示来建模用户顺序行为。受到对比学习等最新技术的启发，我们提出了一种新颖的对比课程学习 (CCL) 框架，用于生成对用户连续行为建模的有效表示。本文在两个方面做出了重要的技术改进，即数据质量和采样顺序。首先，我们通过拟合用户属性信息生成高质量的样例设计了基于模型的数据生成器。通过给定目标用户，可以利用融合的属性语义来生成更接近真实序列的增广数据。其次，我们提出了一种课程学习的策略，通过由易到难的学习过程进行对比学习。核心模块是一个可学习的难度评估器，它可以对增强序列进行打分，并将它们安排在课程中以进一步增强对比学习的能力以更好地进行表示学习。同时我们在公开数据集和行业数据集上进行了广泛的实验，结果证明了我们的方法在三个下游任务上均有提升，取得了良好的效果。

论文题目：RecBole: Towards a Unified, Comprehensive and Efficient Framework for Recommendation Algorithms（Resource Paper）

作者：赵鑫，牟善磊，侯宇蓬，林子涵，陈昱硕，潘星宇，李凯元，卢玉洁，王辉，田长鑫，闵映乾，冯志超，范欣妍，陈旭，王鹏飞，纪文迪，李雅亮，王晓玲，文继荣；通讯作者：陈旭，王鹏飞

论文介绍：近年来，大量的推荐算法被提出，从传统的协同过滤到基于神经网络的算法。然而，学术界对如何标准化推荐算法的开源实现的担忧不断增加。针对这一挑战，我们提出了一个统一、全面且高效的推荐系统库，称为 RecBole（中文名：伯乐），它提供了一个统一的框架来开发和复现推荐算法以用于研究目的。在这个库中，我们在 28 个基准数据集上实现了 72 个推荐模型，涵盖general recommendation, sequential recommendation, context-aware recommendation和knowledge-based recommendation四种类别。我们基于 PyTorch来实现RecBole，PyTorch是最流行的深度学习框架之一。RecBole具有非常多的优势，包括通用和可扩展的数据结构、全面的基准模型和数据集、高效的 GPU 加速以及广泛和标准的评估方式。此外，我们提供了一系列辅助功能、工具和脚本来方便使用这个库，例如自动参数调整和断点恢复。这样的框架有助于标准化推荐系统的实现和评估。该项目和文档在 https://recbole.io/ 上发布。