论文题目：NR4DER: Neural Re-ranking for Diversified Exercise Recommendation

作者：程兴和（暨南大学）、周旭芳（暨南大学）、方良达（暨南大学）、贺超波（华南师范大学）、周玉宇（暨南大学）、罗伟其（暨南大学）、巩志国（澳门大学）、官全龙（暨南大学）

通讯作者：方良达、官全龙

摘要：随着在线教育平台的广泛普及，越来越多的学生通过大规模开放在线课程（MOOCs）获取新知识，习题推荐算法也在提升学生在线学习效果方面取得了重要进展。然而，在线教育仍面临高辍学率及有效适应学生多样化需求的挑战。现有方法往往难以适配不积极学生的学习模式并满足其个性化需求，导致推荐结果的准确性与多样性不足。为此，我们提出NR4DER：一种基于神经重排序的多样化习题推荐方法。该方法通过序列增强的方式强化不积极学生的表征，生成适合学生难度的习题候选列表，并基于该列表运用神经重排序技术生成多样化推荐列表。实验结果表明，NR4DER在多个真实世界数据集上显著优于现有方法，既能有效满足学生多样化学习需求，又能显著提升整体推荐性能。

论文题目：STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation

作者：王茂林（香港城市大学）、 张晟（香港城市大学）、郭若城（香港城市大学）、王婉玉（香港城市大学）、危学涛（南方科技大学）、刘子韬（暨南大学）、阴红志（昆士兰大学）、常毅（吉林大学）、赵翔宇（香港城市大学）

通讯作者：赵翔宇

摘要：近期的深度序列推荐模型常常难以有效地建模用户行为的关键特征，特别是在处理序列长度变化和捕捉多样的交互模式方面。我们提出了STAR-Rec，这是一种新颖的架构，通过序列级专家混合框架，协同融合了偏好感知注意力和状态空间建模。STAR-Rec通过以下几方面解决了这些挑战：(1) 采用偏好感知注意力，既捕捉内在相似的物品关系，又捕捉多样的类别偏好；(2) 利用状态空间建模，以线性复杂度高效处理变长度序列；(3) 引入专家混合组件，自适应地将不同的行为模式路由至专门的专家，既处理聚焦的特定类别浏览，又处理多样的类别探索模式。我们从理论上展示了在推荐场景中如何自然地统一SSM和注意力机制，其中SSM通过状态压缩捕捉时间动态，而注意力机制则建模相似和多样的物品关系。在多个真实世界数据集上的广泛实验表明，STAR-Rec在涉及多样用户行为和变化的序列长度的场景中，一贯优于最先进的序列推荐方法。