近日，我院7项研究成果被中国计算机学会（CCF）推荐的A类国际顶级学术会议The Web Conference 2026（简称WWW 2026）录用!

The Web Conference (WWW)是万维网领域的国际顶级学术会议，重点关注互联网技术的未来发展方向及其对社会、经济和文化的影响。会议涵盖了万维网架构、推荐系统、社会网络分析、网络安全等多个重要研究方向，在学术界与工业界享有极高声誉。该会议在中国计算机学会（CCF）的国际学术会议排名中，被推荐为交叉/综合/新兴领域的A类国际学术会议。 

成果1：Adaptive Contrastive Learning in Sequential Recommendation based on Perturbation and Restoration Networks

作者：周艳波，吕彬，杨旭华（通讯），徐新黎，王博玲 

该成果为我院智能计算所杨旭华教授团队的研究成果，为推荐系统领域序列推荐方向的最新研究进展。论文的第一作者为周艳波老师，通讯作者为杨旭华教授，其他作者包括博士生吕彬、徐新黎老师和王博玲老师。 

该论文提出了一种基于扰动与恢复网络的自适应对比学习序列推荐框架（ACLSRec）。针对当前序列推荐模型面临的数据稀疏与噪声干扰问题，以及现有对比学习方法依赖随机噪声或Dropout等预定义数据增强策略可能导致的语义破坏与用户意图扭曲问题 ，ACLSRec通过引入可学习的扰动与恢复网络实现了自适应的数据增强。具体而言，该框架构建了一个双路增强架构，利用扰动网络在潜在空间中对用户表示引入受控扰动，同时利用恢复网络重建原始语义表示，形成“原始→扰动→恢复”的闭环学习约束。此外，该方法还设计了基于跨路径对称约束的距离损失与动态对比正则化机制，确保了增强视图间的语义一致性，并有效防止表示坍塌。在Beauty、Sports、Toys和MovieLens等多个真实数据集上的广泛实验表明，ACLSRec在推荐准确性上显著优于现有的基线模型。

成果2: Verifiable Federated Representation Learning for Cross-domain Sequential Recommendation

作者：唐涛，刘博韬，Ciyuan Peng, Ivan Lee, 孔祥杰（通讯） 

该成果为我院大数据与城市计算沈国江教授团队的研究成果，为隐私保护下的跨域联邦序列推荐这一新兴交叉方向的最新研究进展。论文的第一作者为唐涛博士，通讯作者为孔祥杰教授，合作者有本院研一学生刘博韬，澳大利亚联邦大学的Ciyuan Peng, 阿德莱德大学的Ivan Lee教授。

在去中心化的 Web 应用环境中，跨域序列推荐技术通过融合用户在多个平台上的行为序列，有效缓解了单一平台数据稀疏的问题，并更准确地刻画用户不断变化的兴趣偏好。然而，现有的联邦跨域序列推荐方法仍面临两方面关键挑战：一方面，不同平台的用户行为序列具有显著的异构性，其中蕴含的领域特有语义难以在隐私保护约束下直接共享；另一方面，多数方法对客户端和服务器的高度可信性做出强假设，使联邦训练过程容易受到恶意更新、错误上报以及负迁移等问题的影响。针对上述问题，本文提出了一种可验证的联邦表示学习框架 VeriFRL，用于跨域序列推荐任务。该框架采用双模块设计，将表示学习与可验证训练机制相结合：其中，基于注意力机制的变分编码器能够有效解耦领域共享与领域特有表示，在保障用户隐私的同时提升跨域知识迁移能力；同时，引入贡献度评估模块，对客户端层面和特征层面的影响进行量化分析，从而实现联邦训练过程的可验证性、可解释性以及对负迁移行为的识别与抑制。在多个真实世界多域数据集上的实验结果表明，VeriFRL 在推荐性能上相比现有联邦跨域序列推荐方法具有竞争性甚至更优的表现，并能够提供细粒度的跨域知识迁移分析，为可信、可解释的联邦推荐系统设计提供了新的研究思路。

成果3: FairFRL: Fairness-aware Federated Representation Learning for Cross-domain Sequential Recommendation

作者：唐涛，Mujie Liu, 刘博韬，杜维, Liping Chen, Xinrui Cheng, 杜嘉欣, 孔祥杰（通讯）

该成果为我院大数据与城市计算沈国江教授团队的研究成果，为隐私保护与公平性导向的联邦跨域序列推荐这一新兴交叉方向的最新研究进展。论文的第一作者为唐涛博士，通讯作者为孔祥杰教授，合作者有本院研一学生刘博韬, 杜嘉欣博士，新疆农商银行的杜维，澳大利亚联邦大学的Mujie Liu，以及皇家墨尔本理工大学的Liping Chen, Xinrui Cheng。

在现代 Web 生态系统中，用户行为往往跨越多个相互独立运营的平台，而隐私保护与合规要求使得不同服务之间的数据难以直接共享。联邦学习为跨域序列推荐提供了一种可行的协同建模范式，但由于用户偏好在不同服务中的演化具有异步性，跨域数据分布随时间发生显著漂移，进而导致联邦训练过程中不同领域贡献不均：行为数据丰富的领域主导全局模型更新，而数据规模较小或变化剧烈的领域影响受限，最终影响推荐性能并引发潜在的公平性问题。针对上述挑战，本文提出了一种公平性感知的联邦表示学习框架 FairFRL，用于动态跨域序列推荐任务。FairFRL 在保持数据本地化与隐私保护的前提下，通过在联邦聚合阶段调控不同领域的影响权重，并在表示学习阶段解耦领域共享与领域特有语义，有效缓解由跨域分布漂移引发的贡献失衡问题。该方法在多个真实世界的 Amazon 多领域数据集上的实验结果表明，FairFRL 在多项推荐指标上持续优于现有的联邦与集中式基线方法，同时实现了更加均衡和公平的跨域贡献分配。研究结果表明，FairFRL 为构建负责任、公平且与社会价值对齐的 Web 推荐系统提供了一种具有理论意义和实践价值的解决方案。

成果4：DSTAG: A Semantic Tag-Enhanced Dual-Graph Convolutional Network for Temporal Knowledge Graph Completion

作者：张玉超，孔祥杰（通讯），叶凯伦，郑尚菲，沈国江 

该成果为我院大数据与城市计算沈国江教授团队的研究成果。论文的第一作者为博士生张玉超，通讯作者为孔祥杰教授，其他作者包括硕士生叶凯伦、郑尚菲老师与沈国江老师。 

该论文提出一种基于语义标签增强的双图卷积神经网络用于时序知识图谱补全（DSTAG）。针对当前时序知识图谱补全模型面临的数据稀疏问题，以及现有的方法大多集中于建模序列依赖和结构依赖，忽略了实体和关系中蕴含的丰富语义信息，以及它们之间的高阶交互作用，这限制了模型在复杂、持续演化场景下的有效处理能力。DSTAG利用大语言模型为实体和关系生成具有上下文的语义多标签，从而显著丰富它们的语义表示。此外，引入了一种语义标签表示机制，能够在语义标签信息跨图聚合与传播的过程中捕捉到高阶依赖关系。在三个广泛使用的时序知识图谱基准数据集ICEWS14、ICEWS18与ICEWS05-15对所提DSTAG模型进行了评估。实验结果显示，与当前最先进的基线方法相比，DSTAG 在MRR与Hit@k(1,3,10)指标上取得的显著提升。

成果5：Multimodal Trajectory Representation Learning for Travel Time Estimation

作者：刘志、胡旭圆、韩笑（通讯）、戴哲豪、邓兆林、沈国江、孔祥杰 

该成果为我院大数据与城市计算沈国江教授团队的研究成果。论文的第一作者为刘志老师，通讯作者为韩笑老师，其他作者包括硕士生胡旭圆、硕士生戴哲豪、硕士生邓兆林、沈国江老师和孔祥杰老师。

该论文提出了一种基于多模态轨迹表示学习的旅行时间估计方法（MDTI）。针对多元轨迹数据异构以及实际轨迹长度可变所导致的信息丢失、特征冗余及跨模态语义不一致等问题。MDTI采用特定模态的编码器，具体而言，采用图注意力和图神经网络对地图匹配的道路轨迹进行编码，同时利用大模型语义分析增强原始 GPS 数据的表示。随后引入多模态融合模块，对不同模态的信息进行对齐和整合，生成用于旅行时间估计(TTE)的统一嵌入。此外，还提出了一种动态轨迹对齐模块，能够自适应地丰富嵌入的信息密度，减少冗余并提高下游 TTE 任务的准确性。在 Porto、Xi’an和Chengdu三个真实世界的数据集上的广泛实验表明，MDTI 在预测旅行时间准确度上显著优于现有的基线模型。

成果6：Dual History Enhancement with Hybrid Hypergraph-Graph Networks for Temporal Knowledge Graph Reasoning

作者：叶恺伦，孔祥杰（通讯），张玉超，王选，朱李楠，杜嘉欣，沈国江，李建新 

该成果为我院大数据与城市计算沈国江教授团队的研究成果，为时序知识图谱推理领域的最新研究进展。论文的第一作者为硕士生叶恺伦，通讯作者为孔祥杰教授，其他作者包括博士生张玉超、实习生王选、朱李楠老师、杜嘉欣老师、沈国江老师和李建新老师。 

该论文提出了一种基于近期-全局历史架构的查询历史增强时序知识图谱外推框架（DHHGN）。在全局历史方面，针对现有外推模型存在的全局历史信息利用率不足问题，以及现有方法在引入特定于查询的全局历史信息时容易产生的频率偏置或无关历史噪声等问题，DHHGN通过引入自适应的全局历史贡献探测机制实现了关键语义信息的高效利用。具体而言，DHHGN利用查询信息提取查询相关全局历史信息并构建全局历史查询相关子图，设计一维卷积图注意力网络进行表示学习，实现了查询语义与全局历史结构语义的高效交互进而提升推理过程的鲁棒性。在近期历史方面，针对现有方法难以感知拓扑结构语义中潜在的高阶信息如群体协作效应、多跳传播影响或间接因果链的问题，DHHGN设计基于矩阵的双阶段超图聚合模块，协同关系图卷积网络同时获取拓扑结构当中的邻域信息和高阶信息，增强结构语义的挖掘。在ICEWS和GDELT等多个公开数据集上的实验表明，DHHGN在实体排名预测能力上显著优于现有基线模型。

成果7：CLGNN: A Contrastive Learning-based GNN for Temporal Betweenness Prediction under Extreme Value Imbalance

作者：张天明，张仁博，杨正一，高云君，曹斌（通讯），范菁

该成果为我院计算机软件研究所范菁教授、曹斌教授团队的研究成果，为复杂时态网络分析与挖掘方向的最新进展。该成果第一作者为张天明老师，通讯作者为曹斌教授，其他作者包括范菁教授，浙江大学硕士生张仁博，浙江大学高云君教授，新南威尔士大学杨正一老师。 

针对复杂时态网络中介数中心性计算代价高昂以及真实网络分布呈现极端长尾这两类核心挑战，论文系统分析了最优时态路径计数所带来的高时间复杂度，以及零值节点占据绝对多数导致模型学习过程被低中心性节点主导、难以有效区分关键节点的问题。为此，论文提出一种可归纳、可扩展的对比学习时态图神经网络 CLGNN。通过构建时态实例图以保持时态路径的有效性，并采用路径–时间双重聚合机制协同编码结构信息与时序依赖。在此基础上，引入稳定性驱动的聚类引导对比学习模块，在表征空间中显式拉开不同中心性层级节点之间的距离，从而缓解长尾分布带来的表征塌缩问题，实现了对时态介数中心性的高精度估计。大量基准实验结果表明，CLGNN 在规模适配性、跨图泛化能力以及预测性能方面均取得了显著优势。

让我们向取得这一优异成绩的全体师生致以衷心祝贺！