太原理工大学廉涛在推荐遗忘学习领域研究成果被CCF A类会议KDD 2026录用

近日，第32届国际知识发现与数据挖掘大会（KDD'26: The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining）公布论文录用结果，太原理工大学人工智能学院通用数据智能交叉创新团队的研究论文《DA²-Unlearn: Dual-Adaptive Forget-Repair-Based Recommendation Unlearning》被录用。硕士生窦浩铖为论文第一作者，廉涛副教授为通讯作者，南方科技大学宋雪萌副教授、山东大学任鹏杰教授为合作者。

国际知识发现与数据挖掘大会（KDD）是数据挖掘、知识发现与数据科学领域的国际顶级学术会议之一，由ACM数据挖掘专委会主办，在中国计算机学会（CCF）推荐国际学术会议目录中被列为A类会议。该会议历史悠久、影响力极强，汇聚了全球人工智能、机器学习、大数据领域顶尖学者与工业界专家，聚焦理论算法与行业落地，是该领域含金量最高、认可度最广的会议之一，论文学术价值与行业影响力突出。KDD 2026将于8月9日-13日在韩国济州岛举办，本次进入评审阶段的投稿共3252篇，论文接收率约为18.5%。

由于兴趣漂移、数据投毒及个人隐私问题，现代推荐系统迫切需要满足遗忘学习需求。推荐遗忘学习旨在从已训练好的推荐模型中移除指定训练数据的影响，同时保持模型正常推荐效用。近来，基于遗忘与保留双目标的微调范式在相关研究中获得关注。然而，现有方法忽略了两个关键挑战：不同遗忘请求的难度差异，以及有效遗忘与保持模型效用之间的微妙权衡。针对上述问题，论文提出了一个双重自适应遗忘修复框架 DA²-Unlearn。该方案首先评估每个遗忘请求的内在遗忘难度，以此来有针对性地调节不同请求的遗忘强度，然后执行梯度引导的“先遗忘后修复”双目标自适应优化，在优化过程的早期关注遗忘目标，随遗忘目标收敛，逐步转向修复推荐能力。在具有真实遗忘反馈的工业级推荐数据集以及若干模拟数据集上开展的实验表明，所提方法的遗忘效果显著优于现有方法，同时很好地保持了模型的推荐效用。

此项研究的发表体现了太原理工大学在人工智能领域的科学布局与创新能力，展示了太原理工大学在深入落实“人工智能+”行动中的成效。未来，太原理工大学将继续鼓励师生潜心研究，积极参与国际交流，产出更多高水平科研成果，为社会发展智能化升级贡献智慧与力量。