研究生魏荣轩在Neurocomputing发表论文

2026年3月29日，人工智能与计算机学院（智慧教育学院）教育人工智能团队的研究生魏荣轩以通讯作者身份，在《Neurocomputing》（SCI期刊，中科院二区，JCR Q1）上发表了题为《MAGNet: Bridging global graph context with customized tail-biased sampling for recommendation》的研究论文。

期刊概述

《Neurocomputing》由Elsevier出版，是中国计算机学会推荐的学术期刊。该期刊主要刊登神经计算领域的基础与前沿研究成果，涵盖理论、实践与应用的多方面内容。其研究方向包括神经网络结构、学习算法、动态分析、自组织机制及生物神经建模等，同时注重与人工智能、认知科学、机器学习等多学科的交叉融合。在实践领域，期刊关注神经计算相关的软硬件技术进展，如仿真环境、并行计算模型及神经计算设备等；在应用层面，涉及信号处理、计算机视觉、机器人、优化调度及金融预测等多个领域。

论文概述

文章提出了一种名为MAGNet的框架，该框架结合图神经网络与Transformer，用于多模态序列推荐任务，旨在解决数据稀疏性、长尾分布及跨模态噪声干扰等问题。通过引入基于锚点感知的Metropolis–Hastings（MH）动态负采样策略，将负样本生成建模为条件概率过程，并结合周期性重采样机制，强化长尾物品的训练信号，从而在保证负样本多样性和信息量的同时，缓解流行度偏置与监督信号不足的问题。

在模型设计上，MAGNet采用“解耦式”架构，将全局多模态建模与序列动态建模分离：首先构建跨模态物品图，通过融合文本与视觉特征，并结合门控机制与注意力机制，实现对多模态信息的鲁棒聚合。在优化目标上，模型联合序列预测损失与图对比学习损失，通过正负样本的结构化约束提升表示的判别性和泛化能力。实验结果表明，MAGNet在多个真实数据集上显著优于主流基线方法，在Recall、NDCG及Precision等指标上表现优异，尤其在长尾物品召回与多模态场景下表现出更强的鲁棒性与泛化能力。

作者介绍

李康康：江苏师范大学人工智能与计算机学院（智慧教育学院）硕士生导师，第一作者；

魏荣轩：江苏师范大学人工智能与计算机学院（智慧教育学院）2023级教育技术学硕士研究生，厦门大学信息学院计算机科学与技术博士研究生，通讯作者；

周秀泽：香港科技大学（广州）信息枢纽博士研究生；

兰佳明：江苏师范大学人工智能与计算机学院（智慧教育学院）2023级教育技术学硕士研究生；

罗宇：华为技术有限公司诺亚方舟实验室研究员。

排版｜周一睿一王一锐

一审｜黄有玉

二审｜祝一义

三审｜董永权