经典论文推荐

交通方向：

推荐人：胡梦言

1、Li Y , Yu R , Shahabi C ,et al.Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting[J].  2017.DOI:10.48550/arXiv.1707.01926.

推荐理由：引入图卷积操作，同时利用了时间特征和空间特征，是许多论文常用的对比方法。

2、Yu L , Du B , Hu X ,et al.Deep spatio-temporal graph convolutional network for traffic accident prediction[J].Neurocomputing, 2021, 423:135-147.

推荐理由：其中利用了张量分解的内容，同时提出了一种动态图构建的方式，在时间特征提取方面使用了现在常用的TCN方式

3、[1] Yu B , Yin H , Zhu Z .Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting[J].  2017.DOI:10.24963/ijcai.2018/505.

推荐理由：TCN+图卷积方法，目前交通预测的主流方式，在交通大模型中也常用作对比方法

4、Guo S, Lin Y, Feng N, et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting[C]//Proceedings of the AAAI conference on artificial intelligence. 2019, 33(01): 922-929.

推荐理由：在交通预测工作中引入了注意力机制，值得参考

5、Li Z, Xia L, Tang J, et al. Urbangpt: Spatio-temporal large language models[C]//Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024: 5351-5362.

推荐理由：交通大模型，思路值得借鉴，阐述了大模型要解决的问题，同时提供了源码。

推荐人：张海龙

6、Z. Wu, S. Pan, G. Long, J. Jiang, and C. Zhang, “Graph WaveNet for Deep Spatial-Temporal Graph Modeling,” in Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, Macao, China, Aug. 2019.

推荐理由：第一次将自适应的邻接矩阵引入交通流量预测领域，以简洁的形式取得了不错的实验效果。

7、L. Han, B. Du, L. Sun, Y. Fu, Y. Lv, and H. Xiong, “Dynamic and Multi-faceted Spatio-temporal Deep Learning for Traffic Speed Forecasting,” in Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining, Virtual Event Singapore, Aug. 2021.

推荐理由：为每一个时间步单独构造一个邻接矩阵，但通过引入Tucker分解极大的降低了时间复杂度。同时通过主要特征与辅助特征并行的方式实现特征融合，提供了特征融合的新视角。

8、Shaygan M, Meese C, Li W, et al. Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities[J]. Transportation research part C: emerging technologies, 2022.

推荐理由：该综述详尽的阐述了交通预测领域的数据集以及预测任务。同时准确阐述了交通流量预测方向的前沿论文，并对为了的挑战做出了总结。

9、Lai Z, Zhang D, Li H, et al. Lightcts: A lightweight framework for correlated time series forecasting[J]. Proceedings of the ACM on Management of Data, 2023

推荐理由：对传统TCN进行改进，通过随机分组的方法提升了运行效率并通过SE模块进行特征增强，在保持精度的前提下极大的提高了运行效率。

推荐方向：

推荐人：管清倩

1.Differential Private Knowledge Transfer for Privacy-Preserving Cross Domain Recommendation (PriCDR, WWW 2022)

推荐理由：这篇文章聚焦于如何在保护用户隐私的前提下，将源域评分数据上传以辅助目标域推荐任务。面临的挑战是要使目标域无法通过上传的评分矩阵推断出原始评分信息，同时需要保留用户兴趣相似性的结构，并处理源域与目标域之间的异质性。作者创新性地使用了 Johnson Lindenstrauss Transform (JLT)，通过加密方式对源域评分矩阵进行加密和稠密化处理。此外，模型通过编码器-解码器对源域与目标域的评分矩阵进行重构，并对齐用户嵌入，从而实现了隐私保护与跨域推荐质量的兼顾。是隐私保护＋跨域推荐的经典论文

2.FedCDR: Federated Cross-Domain Recommendation for Privacy-Preserving Rating Prediction (ICKM 2022)

推荐理由：该研究旨在设计一个个性化的跨域推荐系统，解决用户冷启动问题，同时考虑数据隐私与领域异构性。面对单用户客户端数据量小的问题，文章提出为每个领域设计一个 转换模块 来实现知识转移，避免仅依赖全局共享模型带来的适配性不足。此外，研究深入分析了联邦学习中上传梯度可能导致参数泄露的风险，为隐私保护提供了有效对策。通过领域间的知识转移与个性化推荐结合，该研究成功实现了在联邦学习框架下跨域推荐的隐私保护与个性化兼顾。

3.WinWin: A Privacy-Preserving Federated Framework for Dual-Target Cross-Domain Recommendation (P2FCDR, AAAI 2023)

推荐理由：该文章解决了实际应用场景中单向知识迁移和单客户端场景不合理的问题，提出了一种能够实现双向收益的隐私保护跨域推荐框架。通过使用正交矩阵在领域间实现映射，并结合局部差分隐私（LDP）对数据进行加密，模型能够从领域中提取出对其他领域有用的信息。此外，设计的门控选择机制能够灵活选择领域内与领域间的转移特征。这一框架更贴合实际的跨域推荐场景，为双向跨域协作提供了创新的解决方案。

4.Federated Probabilistic Preference Distribution Modelling with Compactness Co-Clustering for Privacy-Preserving Multi-Domain Recommendation (FPPDM, IJCAI 2023)

推荐理由：本研究从用户偏好分布的角度出发，提出了一种隐私保护的多域推荐方法。文章发现现有的跨域推荐多依赖用户物品交互嵌入，忽略了用户物品偏好的分布信息。为此，作者在本地模型中利用均值和方差捕捉用户偏好的分布特性，同时通过服务器聚合全局的均值与方差，结合正则化约束缩短本地与全局用户分布的距离。这种方法既保护了用户隐私，又避免了对用户物品交互数据的直接依赖，拓展了跨域推荐的建模视角。

5.Enhancing Dual-Target Cross-Domain Recommendation with Federated Privacy-Preserving Learning (P2DTR, IJCAI 2024)