机构旨在为大家提供更加全面、深入的导师解析和科研辅导！每期我们会邀请团队的博士对全球各个领域的教授导师进行详细解析，从教授简介与研究背景 / 主要研究方向与成果分析 / 研究方法与特色 / 研究前沿与发展趋势 / 对有意申请教授课题组的建议这五个方面，帮助大家更好地了解导师，学会申请！
01、教授简介与研究背景
Prof. Iadh Ounis是英国格拉斯哥大学计算机科学学院的教授，同时领导信息、数据与分析（IDA）研究组。该研究组包含60多名研究人员，涉及信息检索、机器学习、大规模数据系统和计算机视觉等多个领域。Prof. Ounis以其在信息检索和推荐系统领域的研究闻名，尤其是作为Terrier搜索引擎项目的首席研究员，其开源版本被广泛应用于学术界和工业界。
Prof. Ounis拥有法国约瑟夫傅立叶大学计算机科学博士学位，研究重点包括信息检索、推荐系统、大规模数据系统以及社会网络中的搜索与分析。他的研究成果已发表在200多篇高水平论文中，涵盖机器学习、语义搜索、跨领域推荐和公平性算法等主题。此外，他主持了多个国际合作项目，并因其学术贡献获得了诸多荣誉，如2022年Tony Kent Strix奖。
02、主要研究方向与成果分析
(1) 个性化推荐与多模态交互
在论文《Personalised multi-modal interactive recommendation with hierarchical state representations》（2024，ACM Transactions on Recommender Systems）中，Prof. Ounis探讨了多模态数据（如图像、文本和用户行为）在个性化推荐中的应用。该研究提出了一种层次化状态表示的方法，能够有效整合多模态信息，为复杂场景中的个性化推荐任务提供了精准解决方案。
(2) 跨领域推荐
在《Contrastive graph prompt-tuning for cross-domain recommendation》（2024，ACM Transactions on Information Systems）中，Prof. Ounis提出了基于对比学习和图模型的跨领域推荐方法。通过结合图神经网络和提示调优技术，该研究提升了推荐系统在跨领域数据上的迁移能力，为数据稀缺场景提供了创新解决思路。
(3) 文本检索与语义扩展
Prof. Ounis在论文《Improving zero-shot retrieval using dense external expansion》（2022，Information Processing and Management）中研究了语义密集扩展技术的应用。该方法在零样本检索任务中表现出色，特别是在跨语言和低资源数据环境下，有效提升了检索性能，为相关应用提供了新技术路径。
(4) 公平与多样性排名
Prof. Ounis在《Search results diversification for effective fair ranking in academic search》（2022，Information Retrieval Journal）中提出了一种多维分层模型，用于优化学术搜索结果的多样性和公平性。该研究不仅改善了不同背景用户的学术检索体验，还推动了公平性在信息检索领域的应用研究。
(5) 自动驾驶中的数据分析
在《GEO: A computational design framework for automotive exterior facelift》（2023，ACM Transactions on Knowledge Discovery from Data）中，Prof. Ounis展示了一种计算设计框架，专注于优化汽车外观设计，突出了跨领域方法在工业设计中的价值。
(6) 深度学习与推荐系统
论文《Graph neural pre-training for recommendation with side information》（2023，ACM Transactions on Information Systems）采用图神经网络进行推荐系统预训练，结合用户侧信息显著提升了推荐质量。该研究为大规模数据系统的实际应用提供了实践参考。
03、研究方法与特色
Prof. Ounis的研究方法融合了多领域技术，具有以下特点：
(1) 跨领域融合
Prof. Ounis的研究充分结合了深度学习和传统信息检索技术，将理论与实践相结合。这种方法不仅推动了信息检索与推荐系统的技术进步，还提高了模型的实用性。
(2) 多模态数据分析
在多模态数据处理方面，Prof. Ounis引入了图神经网络、对比学习和语义扩展等技术，显著优化了图像、文本和语音等多模态数据的处理能力。
(3) 注重公平性与透明性
Prof. Ounis的研究特别关注公平性和透明性问题，提出了多种方法来优化推荐系统和检索系统中的公平性，使技术成果能够更广泛地惠及不同用户群体。
(4) 高效大规模系统架构
以Terrier搜索引擎为例，Prof. Ounis在高效索引结构和动态裁剪技术方面进行了深入研究，优化了大规模数据环境下的检索效率和系统性能。
04、研究前沿与发展趋势
(1) 多模态检索与推荐
随着图像、语音和文本数据的融合，多模态信息检索成为研究热点。未来，多模态推荐系统可能通过整合更多元的数据源，进一步提升推荐精准度和用户体验。
(2) 公平性与可解释性
在信息检索和推荐系统中，公平性与可解释性已成为研究焦点。如何量化和评估系统的公平性，特别是在数据和用户群体多样性较大的场景中，是未来的重要方向。
(3) 跨领域知识迁移
跨领域推荐技术可以缓解数据稀缺问题。通过利用对比学习和提示调优，研究者可以在不同领域间实现知识迁移，使推荐系统在数据资源有限的情况下仍能保持高性能。
(4) 语义搜索与个性化服务
零样本检索技术和语义扩展技术在长尾和低资源场景中具有巨大潜力。未来，这些技术将在个性化搜索和精准信息服务中得到更广泛应用。
05、对有意申请教授课题组的建议
(1) 学术背景与准备
· 基础知识：申请者需掌握信息检索、机器学习、深度学习等领域的基本理论，熟悉推荐系统的核心算法和优化策略。
· 编程技能：熟练使用Python、Java，以及深度学习框架（如TensorFlow、PyTorch）是申请的重要条件。
· 研究方向：申请者应了解图神经网络、多模态数据分析和公平性检索等前沿技术，并对这些领域具有浓厚兴趣。
(2) 实践能力提升
· 开源工具：熟悉并实践Terrier搜索引擎等工具，展现对教授研究方向的兴趣和技术能力。
· 科研经历：积极参与推荐系统、深度学习或数据分析相关的科研项目，有助于展示解决实际问题的能力。
(3) 研究计划与文书撰写
· 个性化研究计划：在申请材料中，清晰阐述自己对信息检索、推荐系统及公平性问题的理解，并明确研究兴趣。
· 目标明确：结合教授研究的实际应用场景（如跨领域推荐和大规模数据处理），设计具有可行性的研究计划。
(4) 学术资源与合作
· 积极联系：通过参加学术会议（如SIGIR、CIKM），与教授和研究团队成员建立联系，进一步展示研究潜力。
· 国际视野：申请者应具备较强的国际交流能力，并能融入国际化团队。
【竞赛报名/项目咨询+微信：mollywei007】
