科研学术

　　近日，计算机科学与工程学院（网络空间安全学院）时空大数据与智能团队撰写的三篇论文被人工智能顶会Association for the Advancement of Artificial Intelligence（AAAI2026）接收，研究内容包含轨迹相似性学习、下一兴趣点推荐以及机器遗忘方法。

　　论文一：基于点和区域的轨迹相似性学习方法

　　论文《Region-Point Joint Representation for Effective Trajectory Similarity Learning》由计算机学院2024级硕士生龙浩、2023级博士生周偲琳共同担任第一作者，商烁教授为通讯作者，电子科技大学为论文第一单位，AAAI2026录用为oral presentation

　　针对现有轨迹相似性计算方法主要依赖网格表示而丢失轨迹细粒度信息的困境，该论文提出了RePo，一种基于点和区域联合表示的轨迹相似性学习方法。RePo首先将GPS轨迹映射到网格序列，通过结构特征捕获区域间的空间依赖性，通过卫星图像提取的视觉特征增强区域级别轨迹表示；同时，设计三个轻量级专家网络（局部感知、相关性感知和连续性保持）从密集GPS序列中提取局部细节、动态相关性和连续移动模式，并通过加权融合点级别轨迹表示，最后与区域表示通过交叉注意力机制结合生成轨迹嵌入。实验表明，RePo在三个真实轨迹数据集（Porto、Geolife和Chengdu）上，在HR@K、MRR和NDCG@K等关键排序评估指标上均实现了显著提升，平均准确率提升22.2%，全面超越了现有方法，有效解决了轨迹细粒度信息捕获不足的问题，为轨迹相似性计算提供了更准确、更高效的解决方案，为交通流预测、城市规划和异常检测等应用提供了强有力的技术支持。

图1 RePo框架图

　　论文二：面向下一兴趣点推荐的工具增强大语言模型框架

　　论文《TOOL4POI: A Tool-Augmented LLM Framework for Next POI Recommendation》由计算机学院2024级博士生王东升担任第一作者，商烁教授为通讯作者，电子科技大学为论文第一单位，AAAI2026录用为oral presentation。

　　在位置服务日益普及的今天，如何精准预测用户下一个可能前往的地点，已成为推荐系统领域的重要研究方向。尽管大语言模型在推理与泛化能力上展现出强大潜力，但在下一兴趣点推荐任务中，仍面临两大瓶颈：一是过度依赖用户历史轨迹，难以推荐未访问过的地点；二是受限于上下文长度，难以处理大规模候选POI集合。本文提出了Tool4POI，一个基于工具增强的大模型POI推荐框架。该框架首次将外部工具调用机制引入下一兴趣点推荐任务，使大模型能够主动查询、检索和推理大规模地点信息，从而实现了开放集推荐能力。Tool4POI无需针对特定任务进行微调，具备即插即用的通用性，其核心由三个模块构成：（1）偏好提取模块：从用户长期历史轨迹中总结区域、类别、时间等多维度的稳定兴趣；（2）候选检索模块：通过多轮次调用外部工具，动态地筛选出既符合用户兴趣又包含未访问地点的候选集合；（3）重排序模块：结合用户近期行为，对候选地点进行最终排序，精准捕捉其当前意图。在多个公开基准数据集上的实验表明，Tool4POI的性能显著超越现有各类先进方法。在极具挑战性的“历史外”推荐场景下，现有方法准确率几乎为零，而Tool4POI的Acc@10指标达到了40%以上，展现出卓越的泛化能力。该项研究不仅为下一兴趣点推荐任务提供了性能更强、适应性更广的解决方案，也为大语言模型与外部工具结合解决现实世界复杂问题提供了新的范式，在智慧城市、个性化旅游和移动营销等领域具有广阔的应用前景。

图2 Tool4POI框架图

　　论文三：超越表面遗忘：基于知识密度估计与模块重插入的彻底遗忘方法

　　论文《Beyond Superficial Forgetting: Thorough Unlearning through Knowledge Density Estimation and Block Re-insertion》由计算机学院2025级硕士生郭枫与2024级硕士生温云涛共同担任第一作者，高莘研究员为通讯作者，电子科技大学为论文第一单位，AAAI2026录用为poster presentation

　　传统的机器遗忘方法在从预训练模型中移除有害知识时，往往难以实现彻底清除 。这些方法常常导致有害知识残留 ，并且这些残留知识很容易被恢复。现有方法的问题在于，它们通常仅依赖“覆盖层”（Cover Layers）来掩盖或抑制有害内容的输出，这会导致过早收敛而反过来影响应当继续进行的unlearning过程，从而没有真正从模型内部表征中消除这些知识。该论文针对这些局限，提出了一种名为KUnBR（Knowledge Density-Guided Unlearning via Blocks Reinsertion）的新型遗忘框架。该框架包含两个核心组件：（1）知识密度估计：该方法首先被引入，用以量化并精确定位模型中包含最丰富有害知识的层级；（2）模块重插入策略：框架会提取这些富含有害知识的层模块，并将其重新插入到原始模型中进行训练。该框架的创新之处在于，重插入策略能够有效绕过“覆盖层”造成的梯度阻碍 ，确保遗忘梯度在unlearning过程中有效传播 ，从而实现更深层次的知识消除。这种策略显著降低了模型在面对如RTT（Retraining on T）等参数级攻击时的脆弱性。实验结果表明，KUnBR在多个基准测试中均达到了SOTA（state-of-the-art）的遗忘性能 ，同时成功保持了模型的通用能力和工具性。该研究为推进大型语言模型向更安全、更可靠、更符合社会价值观的方向发展铺平了道路。

图3 KUnBR框架图

　　AAAI人工智能会议（AAAI Conference on Artificial Intelligence）由人工智能促进会（AAAI）主办，是人工智能领域历史最悠久的国际学术会议之一。该会议成立于1979年，由Allen Newell、Marvin Minsky和John McCarthy等学者共同创立，截至2023年拥有全球会员超过6000名，被中国计算机学会（CCF）和中国人工智能学会（CAAI）列为A类国际学术会议。2026年会议将在新加坡举行，本次会议共收到23680篇投稿，录用4167篇，录取率为17.6%，其中oral presentation录取率约为5%。

　　计算机科学与工程学院（网络空间安全学院）时空大数据与智能团队由国家级青年人才商烁教授于2019年创建，近年来围绕大数据、大模型、智能时空计算、智能防灾减灾等方向开展广泛而深入的研究。团队现有博士生导师5人，包括4名国家级青年人才，博士、硕士研究生40余人，累计发表相关研究领域CCF A类论文150余篇，承担2项国家重点研发计划和6项国家自然科学基金重点项目。其中，商烁教授、陈力思教授入选全球前2%顶尖科学家榜单（World’s Top 2% Scientists），研究成果获江西省科技进步一等奖、福建省科技进步一等奖。