近日，第 32 届知识发现与数据挖掘国际会议（The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD 2026）公布录用论文名单，组内博三学生吴斌权的研究论文《Interest Entropy: Rethinking Contrastive Learning for Sequential Recommendation with Interest Uncertainty》成功入选，为团队在推荐系统领域的学术研究再添重要成果。
KDD 是数据挖掘领域最具影响力的顶级学术会议之一，由 ACM SIGKDD 主办。自1989年创办以来，KDD已成为数据科学、机器学习和人工智能领域的重要交流平台。据 KDD 官方统计，近年来会议投稿量持续增长，竞争愈发激烈，今年整体接收率保持在严格的学术筛选标准之下，凸显了本次入选成果的含金量。
论文题目：Interest Entropy: Rethinking Contrastive Learning for Sequential Recommendation with Interest Uncertainty
作者：Binquan Wu, KunZeng, Yicheng Luo, Junhao Zheng, Qianli Ma*
论文简介：本文首先通过兴趣熵（衡量兴趣分布的多样性和密度）来探讨扩增对序列语义的影响。我们的发现表明，只有极少数序列在微扰下是稳定的。这些序列主要表现出低或高熵，反映出专注或随意的兴趣。这限制了对比学习的有效性，而对比学习依赖于语义一致的正对。此外，通过谱分析，我们表明正比对可能导致低熵序列忽略生态位兴趣，而高熵序列可能放大无关兴趣信号，我们称之为语义偏见。最后，基于兴趣熵，我们提出了IERec，一种简单但有效的互检索增强对比学习框架，能够统一缓解上述问题。对于每个锚点序列（熵低或高熵），我们检索一个语义相似且兴趣熵互补的序列，并将其串接形成正向视图。容易受影响的序列，主要是中等熵的序列，被排除在扩增之外。这种方法可以避免正对的有害语义差异，减少语义偏倚的影响，从而提升性能。此外，利用兴趣熵指导对比学习，可以提升现有基于兴趣熵的对比学习方法的性能。
GitHub链接：https://github.com/qianlima-lab/IERec