471
11
0
2024-07-19 19:16:31
2024-07-19
2024年7月13日下午 13:30-18:15 ,，第五屆ChineseCSCW2024協(xié)同智能大數(shù)據(jù)競賽在內(nèi)蒙古巨華國際大酒店舉辦。本次競賽的主題為“可解釋的學者推薦”,，使用學者網(wǎng)提供的開放數(shù)據(jù)集ScholarNet,。競賽有來自國防科技大學、西南大學,、福州大學,、華南師范大學,、北方工業(yè)大學等高校的11支隊伍入圍最終決賽。我很榮幸能跟學者網(wǎng)團隊成員陳映欣,、王怡嘉組隊參加本次比賽并獲得二等獎的成績,。非常感謝湯庸老師和林榮華老師對我們團隊的幫助，以下是我們比賽報告的主要內(nèi)容：
我們提出了一種基于變分圖自動編碼器（VGAE）的新模型,，名為L-MAVGAE（L2歸一化和基于多頭注意力的變分圖自動編碼器）,，以供學者推薦。VGAE利用鏈接預測來有效地捕獲圖數(shù)據(jù)中節(jié)點之間的復雜關系和依賴關系,，可用于學者推薦任務,。通過預測學者之間聯(lián)系的概率，我們可以推薦概率最高的前k個學者,。L-MAVGAE用雙層圖注意網(wǎng)絡（GAT）取代了原來的圖卷積網(wǎng)絡（GCN）,，該網(wǎng)絡采用了多頭注意機制，顯著提高了模型捕獲圖結(jié)構(gòu)的能力,。此外,，該模型在GAT層中加入了L2歸一化，確保了特征向量的穩(wěn)定性,。實驗結(jié)果表明,，我們提出的模型在學者數(shù)據(jù)集上的性能優(yōu)于基線模型。同時,，為了提高推薦結(jié)果的可解釋性,，我們進一步采用SHapley Additive exPlanations（SHAP）進行可解釋性分析。SHAP模型揭示了該模型在推薦過程中所關注的關鍵特征和節(jié)點關系,，從而增加了用戶對推薦系統(tǒng)的信任和理解,。
圖1 團隊成員合照
圖2 比賽現(xiàn)場
圖3 頒獎現(xiàn)場
