实验室物联网数据挖掘方向工作被IoTJ（中科院一区）接收，论文题目为“LLM4TAP: LLM-enhanced TAP Rule Recommendation”。该论文提出一种名为LLM4TAP的触发-动作编程（TAP）规则推荐方法，通过大语言模型推断用户创建TAP规则的需求和意图来实现更准确的规则推荐，是实现意图驱动的智能化TAP规则推荐系统的一项创新性探索。该论文第一作者为实验室2020级博士吴刚，通讯作者为吉林大学副教授王峰，其他合作者包括吉林大学教授胡亮和2022级硕士胡喻晓。
研究背景
TAP规则推荐旨在通过分析用户的历史行为和规则文本语义，来预测用户需求和意图，并为其提供个性化的自动化规则推荐。然而，实现有效的TAP规则推荐存在两方面局限：
- 难以识别与区分用户需求和意图：在TAP中，用户需求（如离开家时关闭灯光）通常隐含着用户意图（如节能或增强安全性），理解需求与意图之间的微妙关系对于生成相关且个性化的规则至关重要。
- 用户-规则图的高稀疏性：由于每个用户通常仅创建少量规则，导致用户-规则图高度稀疏。这种稀疏性阻碍了用户偏好的准确表示，并限制了基于图的推荐方法的有效性。
为了应对以上挑战，研究团队提出了一种基于多视图嵌入的物联网TAP规则用户意图预测方法MvTAP，通过从用户视图、开发者视图和知识视图中学习规则的嵌入向量来预测用户意图。其次，应用MPNN、TextCNN和RKE分别学习用户视图、开发者视图和知识视图的嵌入向量，并提出了一种基于Transformer的多视图嵌入融合方法，以有效整合这些嵌入向量，保存全局和局部信息。
实验设计
LLM4TAP利用LLM来编码用户创建规则背后的需求与意图，并采用图增强技术缓解用户-规则交互中的稀疏性问题。其核心由以下四个模块组成：
- 用户需求与意图推断模块：该模块设计了一种提示模板，将规则的文本描述及用户-规则交互作为输入传递给LLM，从而生成用户需求与意图及其对应的语义嵌入向量。
- 用户规则图增强模块：该模块采用奇异值分解构建用户-规则图的增强视图，以捕捉用户与规则之间的全局结构关系。随后，通过基于GNN的二分图嵌入技术学习增强图的结构，生成用户与规则的全局结构嵌入向量。
- 双重表示对齐模块：为提高模型性能，该模块采用对比学习技术，将用户需求与意图的语义嵌入向量以及全局结构嵌入向量与主干模型的特征嵌入向量进行对齐。
- 推荐和模型训练模块：该模块采用BPR损失函数对 LLM4TAP 模型参数进行优化，进而基于用户与规则的嵌入向量，预测用户创建相应规则的概率。
实验结果
实验在IFTTT和Wyze数据集上引导，与LightGCN、SGL、NCL、RLMRec等方法进行对比。实验结果表明，在Wyze数据集上，LLM4TAP在所有评价指标上均优于现有最优的对比方法。而在IFTTT数据集上，LLM4TAP在HitRate@10至HitRate@50以及NDCG@5至NDCG@50等指标上均取得了最优性能。
IoTJ全称为IEEE Internet of Things Journal，是物联网研究领域的权威性、综合性顶级期刊。它专注于发表从底层硬件、通信技术，到上层数据处理、人工智能应用的创新研究成果。该期刊由IEEE出版，在JCR和中科院分区中均具有较高评价，影响因子稳定在8.9以上，审稿周期约6个月，其核心研究领域覆盖物联网、通信、人工智能等前沿技术。