SIGIR是信息检索领域的顶级国际学术会议，在中国计算机学会（CCF）推荐论文列表中为A类国际学术会议。SIGIR 2026会议将于2026年7月20日至7月24日在澳大利亚墨尔本举行。本次会议共收到1271篇长文投稿，其中有234篇论文被录用，录用率为18.4%。

论文题目：Fourier Kolmogorov-Arnold Network and Hypergraph EnhancedContrastive Learning for Recommendation

第一作者：刘玉文（2022级博士研究生）

收录会议：The 49th International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR 2026，CCF A）

指导老师：齐连永

论文概述：在复杂用户行为不断演化的在线服务场景中，如何精准建模用户兴趣并提升推荐效果，始终是推荐系统领域的核心挑战。针对现有方法在高阶关系建模能力不足、结构信息利用不充分以及噪声干扰严重等问题，本文提出了一种融合表示学习与结构增强的新型推荐模型FHCL。该模型从“表示能力”和“结构建模”两个关键维度出发，构建了生成视图与去噪视图的双视角学习机制。在表示层面，引入Fourier KAN对用户-项目复杂交互进行函数分解，有效提升模型对非线性关系的表达能力；在结构层面，利用VGAE对图结构进行重构与优化，减少噪声边带来的干扰，同时结合超图建模刻画高阶关系，增强全局语义表达。在此基础上，通过对比学习策略对两种视图进行协同优化，从而学习更加鲁棒且判别性更强的用户与物品表示。结果显示FHCL在多个公开数据集上均取得了显著优于主流方法的性能表现，同时在消融实验中验证了各关键模块的有效性。该研究为复杂交互建模与结构增强学习的深度融合提供了一种新的思路，对下一代高精度推荐系统的设计具有重要参考价值。