• 基于最差情况分析的排序系统鲁棒性评估：从召回导向到词典序评价新范式

  排序评估中的召回新范式在信息检索和推荐系统领域，评估排序质量的核心指标长期存在概念模糊性。传统上被称为“召回导向”的度量标准（如R1000、RP）缺乏形式化定义，无法准确捕捉系统在最差情况下的性能表现。本研究通过建立严格的数学框架，重新定义了召回评估的理论基础和实践方法。召回度量的形式化体系研究首先构建了召回水平度量（recall-level metrics）的统一形式化模型。每个度量μ可分解为曝光函数e(i)和标准化函数z(j,m)，其中i表示排名位置，j表示召回级别，m是相关项目总数。该模型覆盖了平均精度（AP）、归一化折损累积增益（NDCG）、排名偏置精度（RBP）等经典指标，并满足顶部

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• RDIAS：一种强大且去中心化的图像认证系统

  近年来，随着人工智能技术的迅速发展，图像篡改技术也得到了显著提升。这些技术能够以非常隐蔽的方式修改图像，使得用户对所见图像的真实性产生怀疑。当前的图像认证方法通常依赖于检测图像中可能因篡改而产生的痕迹，或者通过附加图像的哈希值作为元数据来验证其真实性。然而，第一种方法的有效性正随着AI工具的持续改进而逐渐降低，无法识别许多严重的图像篡改行为。而第二种方法则存在一个关键问题：一旦图像被处理，如调整尺寸或格式转换，哈希值就会失效。这使得该方法在实际应用中难以满足需求，因为大多数平台（如Facebook和X）都会对上传的图像进行一系列合法操作，例如压缩、调整尺寸等，这些操作通常会移除元数据。因此，需

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-07

• 利用因果推断打破推荐系统中的反馈循环

  摘要推荐系统在塑造现代网络生态系统中发挥着关键作用。这些系统在以下三个环节之间循环运作：（1）生成推荐结果；（2）收集用户对这些推荐的反馈；（3）根据反馈重新训练推荐算法。在这个过程中，推荐系统会影响用户行为数据，而这些数据随后又被用于更新推荐系统本身，从而形成一个反馈循环。近期研究表明，反馈循环可能会降低推荐质量并导致用户行为同质化，这引发了关于部署推荐系统的伦理和性能方面的担忧。为了解决这些问题，我们提出了“因果反馈循环调整算法（CAFL）”，该算法利用因果推理来打破任何旨在最小化损失的推荐系统的反馈循环。核心观点是，如果推荐系统能够考虑因果变量（即推荐对用户评分的影响程度），那么它就不会

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 在不确定性条件下解决情境化的纯冷启动问题

  摘要在线媒体平台的成功在很大程度上取决于其将首次使用的用户转化为回头客的能力。然而，由于“纯冷启动”问题（即在没有历史数据的情况下向用户提供有用推荐的建议的难度），这一任务往往具有挑战性。虽然列出热门内容似乎是一个简单的解决方法，但这样做可能会导致“流行度偏见”问题。在本文中，我们解决了一个具体问题：公共服务媒体（PSM）场景中的“情境性纯冷启动”问题，这类场景的特点是缺乏用户特定数据，仅存在匿名且有限的情境信息。我们提出了一种与PSM价值观相契合的新推荐方法，因为确保这些价值观对于推荐系统的任务至关重要。我们的方法通过纳入各种类型的不确定性来提高推荐排名的公平性，从而确保内容能够得到更公平的

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 通过大型语言模型实现高效且可部署的知识注入，用于开放世界推荐系统

  摘要推荐系统在当今的在线服务中扮演着重要角色，但其封闭式的运作模式（即在特定的封闭领域内进行训练和部署）限制了其对开放世界知识的获取。近年来，大型语言模型（LLMs）的出现为弥补这一差距带来了希望，因为它们能够编码大量的世界知识并展示出高级的推理能力。然而，以往直接将LLMs应用于推荐系统的尝试在满足工业推荐系统的严格要求方面仍存在不足，尤其是在在线推理延迟和离线资源效率方面。在这项工作中，我们提出了一个名为“REKI”的开放世界推荐框架，该框架能够高效且可部署地从大型语言模型中融合知识，以获取关于用户和物品的两种类型的外部信息。具体而言，我们引入了“分解提示”技术来准确推断用户的偏好和物品的

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 通过精细动态感知实现微表情识别

  摘要 面部微表情识别（MER）是一项具有挑战性的任务，因为微表情（MEs）具有短暂性、微妙性和动态性。大多数现有方法依赖于手工制作的特征或深度网络，其中前者通常还需要关键帧，而后者则受到训练数据规模小和多样性低的影响。在本文中，我们开发了一个用于MER的新型细粒度动态感知（FDP）框架。我们提出按照时间顺序对一系列原始帧的帧级特征进行排序，该排序过程编码了微表情的出现和运动的动态信息。具体而言，我们提出了一种新型的局部-全局特征感知Transformer用于帧表示学习。此外，还采用了一个排名评分器来计算每个帧级特征的排名分数。之后，将排名评分器得到的特征在时间

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-07

• 跨模态三义相关性-CLIP：用于短视频同质化识别

  摘要短视频是全球最受欢迎的社交媒体形式之一，这引发了大量模仿作品的产生，导致视频内容趋于同质化，其中视觉和文本的同质化最为明显。与依赖视觉外观相似性的近复制视频检索不同，同质化识别更侧重于识别具有相似语义单元的视频。短视频具有多模态特征，即视觉元素和文本元素之间存在多对多的映射关系，且这两种模态相对独立但存在语义关联。因此，需要探索并建立跨模态语义关联以实现短视频的同质化识别。基于分而治之和联合处理的思想，我们提出了一种用于短视频同质化识别的跨模态三语义关联算法（CS3C-CLIP）。首先，使用对比语言-图像预训练的视觉-文本双编码器提取共享子空间中的视觉和文本特征；接着，通过补丁选择模块和时

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-07

• 基于自监督图神经网络的序列推荐算法：区分长期与短期兴趣

  摘要在现实世界的场景中，用户历史行为中的大量噪声阻碍了对其真实兴趣的准确反映。用户与物品交互的长期分布也使得从历史序列中捕捉兴趣演变模式变得困难。此外，随着用户行为序列的不断增长，仅依赖传统的序列模型已经不足以提取用户兴趣信息并学习准确的序列表示，从而限制了推荐系统的准确性。为了解决这些问题，我们提出了一种名为LS4SRec的自监督图神经序列推荐模型，该模型能够区分用户的长期和短期兴趣。具体来说，LS4SRec构建了两个独立的兴趣编码器来提取用户的长期和短期兴趣。通过利用全局用户行为序列图WITG为每个交互序列提供额外的协同信号，我们缓解了数据稀疏性问题。随后，我们对WITG应用对比学习来去除

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• MMHCL：基于多模态超图对比学习的推荐系统

  摘要多模态内容共享平台的蓬勃发展推动了个性化推荐系统的发展。以往的研究通常面临数据稀疏性和冷启动问题，无法充分挖掘多模态数据中的用户与产品之间的语义关联。为了解决这些问题，我们提出了一种新的多模态超图对比学习（MMHCL）框架用于用户推荐。为了全面探索用户与产品之间的关系，我们构建了两个超图：用户之间的超图（u2u）和项目之间的超图（i2i），分别用于挖掘用户之间的共享偏好以及项目之间的复杂多模态语义相似性。这一过程生成了更加密集的二阶语义信息，并将其与一阶用户-项目交互信息相结合，以弥补数据稀疏性问题。接下来，我们通过应用协同对比学习来设计特征增强机制。通过最大化/最小化相同/不同用户和项目

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-07

• 建模并分析非商品页面对连续下一个商品预测的影响

  摘要通过分析用户与物品之间的交互序列，序列推荐模型能够理解用户的意图并预测用户可能感兴趣的下一个物品。除了物品交互之外，大多数系统还涉及我们所谓的“非物品页面”——这些页面与特定物品无关，但仍然可以提供有关用户兴趣的线索（例如导航页面）。因此，我们提出了一种将非物品页面纳入序列推荐模型中的通用方法，以提升下一个物品的预测效果。首先，我们利用HypTrails假设检验框架展示了非物品页面对后续交互的影响，并提出了在序列推荐模型中表示非物品页面的方法。随后，我们对流行的序列推荐模型进行了改进，使其能够整合非物品页面，并研究了这些模型在不同物品表示策略下的表现以及处理噪声数据的能力。为了展示这些模型

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• GradCAM-AE：一种针对联邦学习中中毒攻击的新防护机制

  在联邦学习（FL）领域，模型中毒攻击已成为一个严重的安全威胁。这种攻击通过修改本地模型更新参数，使得模型更新在服务器端难以察觉，从而污染最终的全局模型。现有的防御机制，如基于欧几里得距离的检测方法，虽然在一定程度上有效，但它们面临着“维度诅咒”问题，尤其是在深度神经网络（DNN）中，由于模型参数量庞大，这些方法容易出现误判或漏判。因此，研究更有效的检测手段成为当前FL安全领域的重要课题。为了解决这一问题，本文提出了一种新的防御机制，称为GradCAM-AE。该方法结合了GradCAM（梯度加权类激活映射）和自编码器（AE）技术，旨在提高对模型中毒攻击的检测能力。GradCAM是一种用于可视化深

  来源：ACM Transactions on Privacy and Security

  时间：2025-11-07

• FedRL：一种强化学习联邦推荐系统，通过强化选择器和超网生成器实现高效通信

  摘要 推荐系统领域旨在通过分析用户的偏好和行为来预测他们的潜在兴趣。然而，关于用户数据收集的隐私问题导致了诸如初始信息不完整和数据稀疏等挑战。联邦学习应运而生，以解决推荐系统中的这些隐私问题。然而，联邦推荐系统在数据特征和样本规模方面存在边缘设备之间的异质性。此外，计算能力和存储能力的差异在第三方服务器进行参数聚合时引入了通信开销和处理延迟。本文介绍了一个名为 FedRL 的框架，这是一个基于强化学习的联邦推荐系统，它利用强化选择器和超网络生成器来实现高效通信，以解决上述问题。强化选择器动态选择参与的边缘设备，并帮助最大化它们对本地数据资源的利用。同时，超网络

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 别感到无聊：提升基于会话的推荐系统的可扩展性和多样性

  在推荐系统领域，推荐多个项目（称为“slate”）已经成为一种重要的策略，因为它不仅能够更好地捕捉用户对推荐内容的整体偏好，还能通过项目的组合和顺序优化用户的选择体验。然而，由于推荐内容可能来自庞大的项目池，因此slate推荐面临着巨大的动作空间挑战，这使得传统强化学习（RL）方法难以在实际应用中高效执行。本文旨在解决这一问题，通过引入一种名为SlateWolpertinger的策略，该策略利用基于项目（proto-item）和基于slate的表示方法，显著减少在推荐过程中对Q函数的评估次数，从而提升推理效率，使slate推荐系统能够在实际场景中快速部署。在当前的推荐系统中，用户在浏览推荐内容

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 利用图注意力网络进行社交感知和推荐系统

  摘要 推荐系统旨在发现用户的潜在偏好并做出推荐。然而，它们经常面临数据稀疏性和冷启动问题等挑战。尽管知识图的引入在一定程度上解决了数据稀疏性问题，但冷启动问题仍未得到有效解决。在本文中，我们提出了一种名为“基于图注意力网络的社会感知推荐（SPGAT）”的新方法。在SPGAT中，我们利用社会感知来有效解决冷启动问题，从而提高推荐准确性。该方法采用多层图注意力网络，从协作知识图和社会感知图中聚合用户偏好特征。通过分析新用户的社交网络，可以识别出与其相关的朋友用户，然后将这些朋友用户的互动数据作为辅助信息提供给新用户进行推荐。为处理一对一和多对多关系，我们引入了Tr

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 通过时空背景提升对抗样本的可迁移性

  摘要可迁移的对抗样本因其能够在多个模型中引发欺骗效果而受到越来越多的关注，但现有攻击方法在迁移性方面仍表现不佳。针对这一问题，提出了一种名为“基于时空上下文的增强动量迭代”（STCEMI）的新攻击方法，旨在提升模型的迁移性。首先，分别设计了两种基于空间和时间方向的上下文利用策略：一方面，通过将原始图像的随机打乱版本与其自身相加来生成混合图像，并利用混合图像优化扰动，从而修正当前位置的梯度；另一方面，通过沿前后梯度方向进行单步迭代获得短时上下文信息，利用时间上下文动量来修正当前迭代的梯度。其次，考虑到空间和时间上下文的互补性，将这两种策略自然结合，构建了基于时空上下文的攻击方法STCEMI，其目

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-07

• 在基于深度神经网络的图像分类器中修正多重攻击对抗性扰动

  摘要用于图像分类的深度神经网络（DNN）仍然容易受到对抗性扰动的影响——这些微妙的输入操控会导致灾难性的错误分类。为了解决这个问题，我们提出了对抗性图像修正器（Adversarial Image Rectifier，简称AIR），这是一个基于语言学原理的检测和缓解框架，通过在特征层拦截并反转对抗性扰动来增强DNN的鲁棒性。与现有的防御机制不同，AIR无需预先了解攻击模式：它首先将DNN的层次化隐藏层特征图编码为语义结构化的句子表示，然后通过这些句子中的“情感”异常来识别对抗性输入——这是一种对抗性痕迹的隐喻表达。关键的是，我们确定了对抗性扰动主要传播的一个中间层，并训练了一个轻量级的修正器网络

  来源：ACM Transactions on Privacy and Security

  时间：2025-11-07

• 异构自适应偏好学习在推荐系统中的应用

  摘要基于图的协同过滤技术作为一种有前景的推荐方法应运而生，它通过将用户与物品的交互关系建模为图结构来实现推荐。最近，对比学习被应用于图协同过滤中，并通过数据增强来提高数据利用效率并降低标注成本。然而，大多数现有的对比学习方法忽略了与用户和物品相关的异构辅助信息（如用户的社会关系和物品类别），而这些信息对于缓解数据稀疏问题至关重要。在本文中，我们提出了一种新颖的对比学习方法，称为异构自适应偏好学习用于推荐（HAPLRec），该方法明确地结合了来自用户和物品的细粒度偏好信息。具体而言，我们根据异构图中的特定元路径构建用户关系图和物品关系图，然后分别对这些图进行数据增强以生成辅助对比任务。此外，我们

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-07

• 利用基于允许列表的旁路通道突破BLE MAC地址随机化机制及其对策

  摘要如今，蓝牙低功耗（BLE）技术已无处不在。为了防止未知设备连接BLE设备（例如智能手机），BLE使用允许列表机制，仅允许已识别的设备进行连接。不幸的是，我们发现这种允许列表功能实际上引入了一个用于设备追踪的侧信道：即使设备使用了随机生成的MAC地址，其行为仍然会发生变化。更糟糕的是，我们还发现蓝牙协议中规定的MAC地址随机化方案存在缺陷，容易受到重放攻击。攻击者可以通过重放捕获到的MAC地址来探测目标设备是否会根据其允许列表进行响应。我们使用43个BLE外围设备、11个中心设备和4块开发板验证了基于允许列表的侧信道攻击方法，结果发现没有任何设备在配置了允许列表后能够抵御这些攻击。我们建议采

  来源：ACM Transactions on Privacy and Security

  时间：2025-11-07

• 用于复杂场景中伪装物体检测的双分支跨层信息流网络

  摘要伪装物体检测（COD）旨在准确检测那些与背景融为一体的物体。尽管基于深度学习的方法显著提高了检测精度，但伪装物体与其环境在色彩和纹理特征上的相似性仍然存在重大挑战，尤其是在复杂场景中。现有的COD方法主要面临两个问题：（1）难以将详细特征与语义表示有效融合，导致融合特征中局部特征和全局特征之间的平衡不佳；（2）传统自上而下的解码器架构中信息逐渐稀释，导致边界定位不精确。为了解决多尺度特征增强和语义信息稀释这两个问题，我们提出了一种名为Dual-Branch Cross-Layer Information Flow Network（DCIFNet）的模型，用于复杂场景中的伪装物体检测。具体而

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-07

• 软件安全审计与责任豁免机制对供应商投资激励的优化策略研究

  引言背景与问题提出随着软件供应链攻击事件激增，传统责任框架下软件供应商缺乏提升安全性的经济动力。新兴监管体系（如欧盟Cyber Resilience Act）引入审计认证与责任豁免机制，试图通过市场化手段激励供应商增加安全投资。本文核心问题是：如何设计审计机制以最大化供应商安全投入，同时保障其自愿参与？模型构建与理论基础研究将供应商决策建模为无限时域折扣奖励马尔可夫决策过程（MDP）。定义关键变量：供应商累计投资xt，单期追加投资at，审计测试函数p(x)表示投资x对应的通过概率。供应商效用函数为：U = E[∑t=0∞ αt(R·1{通过审计} - CX(xt))]其中α为折扣因子，R为产品

  来源：ACM Transactions on Privacy and Security

  时间：2025-11-07

知名企业招聘：