本期为大家深入解析香港教育大学（EdUHK）的徐貫東（Guandong Xu）教授。徐教授是人工智能领域的杰出学者，在推荐系统、社会计算与AI教育方向深耕多年，Google Scholar引用超过16,000次，是该领域极具影响力的研究者之一。本文将从其研究方向、近期代表论文以及创新研究思路三个维度为大家做全面拆解。
📘 院系概况
香港教育大学近年来大力发展人工智能与数据科学方向，专门设立了数据科学与人工智能大学研究设施（UDSAI），并引进多位AI领域讲座教授。教大在QS教育学科排名中位居全球前20，其AI+教育的交叉研究定位独具特色，致力于将数据驱动技术应用于教育创新、社会计算等前沿领域，是港校中AI教育交叉方向的重要力量。
🔬 导师简介
徐貫東（Guandong Xu），现任香港教育大学人工智能讲座教授、助理副校长（人工智能与教育创新）、数据科学与人工智能大学研究设施（UDSAI）主任、学与教科技中心（LTTC）主任。此前担任悉尼科技大学（UTS）计算机科学学院正教授（2012-2024）。本科与硕士毕业于浙江大学，博士毕业于维多利亚大学（计算机科学方向）。
核心学术指标：Scopus h-index 51，Scopus引用10,200+；Google Scholar引用16,300+；发表学术论文470余篇，出版3部学术专著（Springer / CRC Press）。
主要荣誉：英国工程技术学会会士（IET Fellow, 2022）、澳大利亚计算机学会会士（ACS Fellow, 2021）、国家高层次海外人才计划入选者、斯坦福大学全球Top 2%科学家（2021年起连续入选）。
推荐系统社会计算AI教育行为建模可解释AI数据挖掘
🔍 研究领域深度解析
徐教授的研究横跨人工智能的多个核心方向，形成了以"数据驱动的智能决策"为主线、以"推荐系统"为核心枢纽、向教育、社会、医疗等垂直领域辐射的完整学术版图。以下对其五个主要研究子方向进行逐一拆解：
❶ 推荐系统与用户建模这是徐教授最核心的研究方向，也是其学术影响力最集中的领域。他的工作涵盖协同过滤、序列推荐、图神经网络增强推荐、对话式推荐系统等多个子题。在技术路径上，徐教授特别关注因果推断在推荐中的应用，致力于解决曝光偏差、公平性等关键挑战。其成果发表于SIGIR、KDD、WWW、WSDM等顶级会议和TOIS、TKDE等权威期刊。在应用层面，这些技术可直接服务于电商、金融、教育等场景中的个性化信息分发。
❷ 社会计算与社交网络分析徐教授在社会计算领域建立了深厚的积累，研究内容包括社交网络中的用户行为建模、社区发现、跨平台链路预测以及社交媒体挖掘。在技术手段上，他善于运用图卷积网络（GCN）等深度学习方法对社交网络的复杂拓扑结构进行建模。这一方向与推荐系统紧密衔接——社交信号可以有效缓解推荐中的数据稀疏性问题，二者相互增强。
❸ 可解释AI与因果学习自2019年起，徐教授开始系统布局可解释AI与因果学习方向。在推荐系统中，他探索基于知识图谱路径推理的可解释推荐方法，提出了反事实推理框架来增强推荐结果的可解读性。在更广泛的AI任务中，他关注因果推断如何帮助模型摆脱虚假相关性，提高预测的鲁棒性。这一方向在ICML、ICLR等顶会上均有布局。
❹ AI赋能教育作为教育大学的AI讲座教授，徐教授在AI教育领域具备天然的学科优势。他的研究关注如何利用大语言模型（LLM）、学习分析和自适应推荐技术来优化教学过程。具体包括：基于学生行为序列的知识追踪、个性化学习路径推荐、学生心理状态智能分析等。这一方向将推荐系统的核心技术迁移到教育场景，是其学术版图的重要延伸。
❺ 自然语言处理与情感分析近期，徐教授在NLP方向也有活跃的产出，特别是结合大语言模型的情感分析和文本挖掘工作。他在隐式情感分析、方面级情感三元组提取、代码摘要自动生成等任务上都有重要贡献。技术上，他探索了多任务学习与LLM的结合，在IEEE TKDE、IEEE Transactions on Affective Computing等期刊上发表了多篇高水平论文。
📄 精读教授近期发表的文章
Multi-task Learning with LLMs for Implicit Sentiment Analysis: Data-level and Task-level Automatic Weight Learning
发表信息：2026年1月 · IEEE Transactions on Knowledge and Data Engineering (TKDE) · Vol. 38, No. 1, pp. 506-517
这篇论文聚焦隐式情感分析这一NLP难题，提出了一种结合大语言模型的多任务学习框架。研究创新性地引入了数据层和任务层的自动权重学习机制，有效缓解了LLM在情感推断中的幻觉问题。通过同源不确定性建模实现了不同任务间的动态平衡，在多个基准数据集上取得了显著性能提升。
📊 CCF A类期刊 · SCI Q1 · 影响因子 8.9
💡 学术贡献：首次将多任务自动权重学习与LLM结合应用于隐式情感分析，为LLM在细粒度语义理解中的可靠部署提供了新范式。
Multi-modal Dual Attention Graph Contrastive Learning for Recommendation
发表信息：2026年 · Knowledge-Based Systems · Vol. 337, Article 115404
该研究针对多模态推荐中的模态融合难题，设计了一种双注意力图对比学习框架。通过构建多模态图神经网络并引入对比学习策略，有效捕获了视觉、文本等不同模态间的交互关系与互补信息。双注意力机制分别作用于节点层和模态层，实现了更精细的信息聚合。
📊 SCI Q1 · 影响因子 7.2
💡 学术贡献：将图对比学习与多模态融合深度结合，为多模态推荐系统提供了更鲁棒的表征学习方案。
Quantitative Reflection for Mental State Analysis via Aspect Sentiment Triplet Extraction
发表信息：2026年2月（在线优先发表）· IEEE Transactions on Affective Computing
这篇论文创新性地将方面级情感三元组提取技术应用于心理状态分析，结合大语言模型实现了对个体心理反思内容的量化建模。研究构建了语义依赖分析框架，能够从文本中自动识别情感目标、情感极性和观点表达的三元组结构，为心理健康监测提供了新的技术路径。
📊 SCI Q1 · 影响因子 9.6 · 情感计算领域顶刊
💡 学术贡献：开创性地将NLP中的细粒度情感分析应用于心理健康领域，体现了AI与社会关怀的深度融合。
Improving Long-tail Classification via Decoupling and Regularisation
发表信息：2025年 · CAAI Transactions on Intelligence Technology · Vol. 10, No. 1, pp. 62-71
该论文关注长尾分布下神经网络分类性能下降的问题。研究揭示了角度分布在实现平衡特征空间中的关键作用，提出了一种解耦与正则化相结合的方法，通过同时平衡分类器范数和角度分布来改善尾部类别的表征质量，在多个长尾分布基准上展现了机构性能。
📊 SCI Q1 · CAAI旗舰期刊
💡 学术贡献：从几何角度揭示了长尾分类的核心瓶颈，为解决现实场景中普遍存在的数据不平衡问题提供了新视角。
💡 GEO博士有话说
基于对徐教授研究方向与近期论文的分析，我们的博士团队为大家提炼了三个具有创新潜力的研究想法，供大家参考和延伸思考：
Idea 1：基于LLM的多维度学生画像构建与自适应推荐将徐教授在推荐系统中的序列建模能力与LLM的语义理解能力结合，构建覆盖学习行为、认知水平、情感状态的多维学生画像。以此为基础设计自适应学习路径推荐系统，可与其在AI教育和情感计算方向的工作形成自然衔接。技术上可借鉴其多任务学习框架来实现多维度信息的协同建模。
Idea 2：因果去偏的公平感知多模态推荐系统在多模态推荐基础上引入因果推断框架，系统性地识别和消除不同模态中的偏差信号（如视觉偏见、文本刻板印象等），实现真正意义上的公平推荐。这一思路融合了徐教授在因果学习、多模态推荐和公平性三个方向的研究积累，具有很强的前沿性和可行性。
Idea 3：面向教育场景的可解释知识追踪与干预系统将可解释AI技术嵌入知识追踪模型，不仅预测学生的知识掌握状态，还能生成可理解的解释路径（如"学生在X知识点薄弱是因为Y前置知识未掌握"）。结合徐教授在图推理和方面级情感分析的技术，可以同时捕捉学习行为和情感反馈信号，为教师提供可操作的干预建议。
