近日，太阳成集团tyc7111cc杜军威教授团队在数据挖掘领域取得了突破性进展。其研究成果以“Candidate-aware Graph Prompt-Tuning for Recommendation”为题发表在模式识别、机器学习与人工智能领域的国际顶级期刊Pattern Recognition(中科院一区、TOP期刊)。杜军威教授为论文的通讯作者，博士研究生李浩杰为第一作者，太阳成tyc7111cc为第一完成单位。

基于卷积的图神经网络方法被广泛应用于推荐系统中生成节点表示。然而，当前卷积方法生成的用户表示具有不变性，且这些表示受用户交互物品中各类别比例的影响。这导致推荐系统对较少出现类别的物品处理不公，进而影响推荐准确性。针对上述问题，我们提出了一种候选感知的图提示调优推荐模型（CGPT）。具体而言，我们采用与下游任务无关的图对比学习预训练模型来捕捉物品的类别分布特征；随后设计了一种提示调优方法，用于迁移预训练任务中的知识。通过将预训练结果提取的特征作为额外监督信号，我们能够精确生成跨不同物品类别的用户表示。在推荐阶段，根据待推荐候选物品的类别分布动态构建用户表示，以提高推荐准确性。在三个真实数据集上的实验结果表明，所提方法优于当前最先进技术。

该篇论文第一作者为学校博士研究生李浩杰、通讯作者为杜军威教授,本研究得到国家自然科学基金、山东省自然科学基金以及中国国家留学基金管理委员会等多方资助。

Haojie Li, Guanfeng Liu, Qiang Hu, Yan Wang, Dunwei Gong, Junwei Du*, Candidate-aware GraphPrompt-Tuning for Recommendation, Pattern Recognition, 2025, https://doi.org/10.1016/j.patcog.2025.111733. (中科院一区TOP）