推荐系统中，用户-物品二部图的原始数据质量直接影响推荐效果，因此如何构造高质量的增强图表示，同时保留原始语义信息，是图对比学习领域亟待解决的核心问题。图增强策略作为提升图对比学习模型鲁棒性的关键技术，已广泛应用于推荐系统。然而，现有方法多采用随机启发式增强策略，这可能会引入偏差性噪声，并在LightGCL传播过程中进一步放大，进而影响推荐效果。
针对上述问题，徐立祥教授团队提出了一种基于邻接矩阵重构与属性自适应扰动的图增强方法，能够在保持原始语义信息的同时，自适应地去除图中的噪声干扰，从而提升推荐系统的性能与泛化能力。团队通过长达16个月的持续攻关（包括10个月的反复实验验证与6个月的论文撰写与修改），研究成果《Graph Augmentation Empowered Contrastive Learning for Recommendation》发表于CCF-A类国际权威期刊《ACM Transactions on Information Systems（TOIS）》。
ACM TOIS是信息处理领域最权威的国际学术期刊之一，被中国计算机学会（CCF）推荐为数据库/数据挖掘/内容检索领域A类国际期刊，在信息检索，推荐系统和文本挖掘等领域享有盛誉。该期刊平均每年在全球仅录用50余篇学术论文。
