MMRC实验室研三学生胥硕在捆绑推荐方向的研究成果被信息检索领域CCF A类学术期刊ACM TOIS（ACM Transactions on Information Systems）录用。

论文名称：Promoting Long-tail Items through Debiased Product Bundling。

论文作者：胥硕⁺（山东大学）；马浩凯⁺（山东大学，新加坡国立大学）；马云山（新加坡管理大学）；刘晓豪（新加坡国立大学）；孟雷*（山东大学，山东省工业技术研究院）；孟祥旭（山东大学）；蔡达成（新加坡国立大学）。

Paper链接：

https://github.com/Shuo-Xu-0319/DieT/paper.pdf

Code链接：

https://github.com/Shuo-Xu-0319/DieT

论文简介：产品捆绑（Product bundling）将主题相关的商品组织成组合捆绑包，以便利配送并促进商品销售。卖家通常会将新品或积压商品与热门商品捆绑在一起，以增加这些商品的曝光度。这一特定任务可以被形式化为长尾产品捆绑场景，其中商品流行度是通过用户-商品交互来定义的。传统方法受制于预提取的用户反馈特征中固有的流行度偏差，且对与流行度无关的知识利用不足，这迫使它们优先推荐热门商品，从而难以应对长尾捆绑任务。为了消除这种偏差，我们提出了蒸馏模态导向知识转移（Distilled Modality-Oriented Knowledge Transfer, DieT）框架，旨在最大化挖掘无流行度特征，同时保留真实的捆绑意图。具体而言，DieT包含两个核心模块：（1）无流行度协同分布建模（PCD），用于捕捉独立于流行度信号的内在“捆绑包-商品”关联；（2）无偏捆绑感知知识转移（UBT），利用知识蒸馏技术来放大这些特征并抑制由用户反馈引发的偏差。在两个真实世界数据集上的大量实验证明了DieT在长尾捆绑任务中优于现有的最先进方法，通过有效整合与流行度无关的知识，实现了具有统计显著性的性能提升。这项工作通过平衡库存驱动需求与无偏特征表示，解决了自动捆绑系统中的关键局限性。

图1：DieT框架图

ACM Transactions on Information Systems (ACM TOIS)是美国计算机协会（ACM）出版的英文学术期刊，创刊于1983年。该刊专注于信息系统领域，特别是信息检索、数据挖掘、推荐系统、搜索引擎架构、用户行为建模及隐私保护等方向。TOIS在学术界享有极高声誉，被中国计算机学会（CCF）列为数据库/数据挖掘/内容检索领域的A类国际期刊，被中科院升级版列为大类计算机科学二区、JCR分区等级为Q1区及SCI核心数据库收录，并被清华大学TH-CPL推荐为“数据库与数据挖掘”方向的顶级期刊。期刊主要发表高质量原创研究论文，其研究覆盖范围广泛，包括新型信息检索模型与算法、现有技术的应用与局限分析、多模态内容分析方法、用户信息偏好与交互行为的计算模型，以及评估方法的创建与分析等。近年来，期刊重点关注预训练模型驱动的检索与推荐融合、检索增强生成、联邦学习与隐私保护、用户行为脆弱性与系统公平性等前沿议题。