2022年4月1日，实验室两篇论文被SIGIR 2022接收。SIGIR会议的全称是The International ACM SIGIR Conference on Research and Development in Information Retrieval，是信息检索领域的CCF-A类国际会议，今年是该会议第45届。两篇论文的信息概要如下：
1. User-Centric Conversational Recommendation with Multi-Aspect User Modeling (Shuokai Li, Ruobing Xie, Yongchun Zhu, Xiang Ao, Fuzhen Zhuang and Qing He) (Long Paper)
对话推荐系统（CRS）旨在和用户的对话过程中提供高质量的商品推荐。然而，大多数传统CRS模型主要关注当前的对话信息理解，而忽略了用户（而用户恰好是推荐系统中的核心主体）的其他多方面信息。在这项工作中，作者强调在对话推荐系统中，除了用户的当前对话信息，用户的历史会话信息和相似用户对于建模用户兴趣也十分关键。为了系统地建模多方面用户信息，作者提出了UCCR模型（缩写自User-Centric Conversational Recommendation），该模型聚焦CRS任务中的本质问题，即用户建模。具体来说，提出了一个历史会话学习器，从用户语义偏好、知识偏好和消费偏好3个角度捕获用户的多视图偏好，作为当前会话偏好的补充。还设计了一个时序相似用户选择器，通过用户的相似用户对其更好建模。最后，中文和英文CRS数据集上的实验显示，UCCR在推荐和对话生成两个任务上显着超越了基线模型。
2. Selective Fairness in Recommendation via Prompts (Yiqing Wu, Ruobing Xie, Yongchun Zhu, Fuzhen Zhuang, Xiang Ao, Xu Zhang, Leyu Lin and Qing He) (Short Paper)
随着推荐系统被广泛用于日常生活，推荐系统的公平性引起了广泛关注。在现实世界中，用户群体通常有着多种公平性敏感点，例如性别公平，年龄公平。对于用户个体来说，在公平性的建模中考虑哪些敏感点，以及何时考虑这些敏感点，应取决于用户的个体需求。在这项工作中，作者定义了用户可选择的公平任务，用户可以灵活地选择推荐模型应该针对哪些敏感点进行公平的推荐。作者提出了一种基于Prompt的公平性推荐（PFRec）框架，该框架采用对抗学习方法，训练基于Prompt的偏差消声器，从而实现着序列推荐上的可选择性公平。作者进行了广泛的评估，验证了PFRec在公平性上的优势。
附件：