论文题目：Enhancing Knowledge Tracing through Decoupling Cognitive Pattern from Error-Prone Data

作者：郭腾（暨南大学）、秦宇（暨南大学）、夏煜彬（暨南大学）、侯明良（好未来）、刘子韬（暨南大学）、夏锋（皇家墨尔本理工大学）、罗伟其（暨南大学）

通讯作者：侯明良

摘要：知识追踪的目的是根据学生历史学习行为来预测学生在未来学习表现。然而，人无完人。粗心、疲劳、压力等因素，往往会导致学生在已经掌握的问题上出错，导致其历史学习数据出现异常。这些异常破坏了数据中的固有模式，误导了KT模型。从这些容易出错的数据中提取出准确反映学生知识掌握情况的认知模式仍然是一个巨大的挑战。本研究提出了一种名为 RobustKT 的知识追踪模型，通过从数据中分离认知模式和随机因素，提升模型的鲁棒性。该方法的核心是一个认知解耦分析器，该模块通过平滑操作，从数据中提取稳定的认知模式并过滤随机因素。随后，通过门控机制或自适应参数融合方法，重构这些分离的特征。此外，论文还引入了一种基于衰减注意力的知识状态诊断器，以精准地评估学生的知识掌握情况。论文在多个真实世界数据集和添加噪声的模拟数据集上进行了实验，结果表明：相比现有的知识追踪方法，RobustKT 不仅在鲁棒性方面表现优异，同时在正常数据集上也取得了更好的性能。

论文题目：Behavior Modeling Space Reconstruction for E-Commerce Search

作者：王叶晶（香港城市大学）, 张持（哈尔滨工程大学）, 赵翔宇（香港城市大学）, 刘启东（香港城市大学）, 王茂林（香港城市大学）, 危学涛（南方科技大学）， 刘子韬（暨南大学）, 施兴（阿里巴巴）、杨旭东（阿里巴巴）、钟灵（阿里巴巴）、林伟（阿里巴巴）

通讯作者：赵翔宇

摘要：提供卓越的搜索服务对于提升客户体验和推动电子商务的收入增长至关重要。传统而言，搜索系统通常通过静态组合用户偏好和查询项相关性来建模用户行为，常常通过固定的逻辑“与”关系实现。本文通过使用因果图和维恩图，重新审视了现有的方法，揭示了两个普遍而显著的问题：纠缠的偏好和相关性效应，以及崩溃的建模空间。为了解决这些问题，我们的研究引入了一个新的框架——DRP，通过两个组件来重构行为建模空间，从而提高搜索准确性。具体而言，我们实施了偏好编辑，主动去除相关性效应，从而得到纯粹的用户偏好。此外，我们采用了自适应融合，动态调整融合标准，以符合变化的相关性和偏好模式，在重构的建模空间内促成更细致和量身定制的行为预测。在两个公共数据集和一个专有的电子商务搜索数据集上的实证验证证明了我们提出的方法的优越性，表明在性能上相对于现有方法有显著的改进。