科研进展 | 信息学院李权课题组在智能用户界面及社会计算领域取得多项成果

上海科技大学信息科学与技术学院李权课题组（交互智能与可视分析实验室ViSeer LAB）专注于以人为中心的可解释性人工智能模型及其应用，通过人机协同可视分析技术，为解决重大社会问题提供决策支持。近日，课题组在ACM 智能用户界面会议（ACM IUI 2025）及第十九届国际网络与社交媒体会议（ICWSM 2025）上发表了五篇论文。ACM IUI是人工智能（AI）与人机交互（HCI）领域的重要学术会议，汇聚全球研究人员与行业专家，共同探讨前沿技术与创新应用。第30届ACM IUI将于2025年3月24日至27日在意大利卡利亚里举行。ICWSM 2025将于2025年6月23日至26日在丹麦哥本哈根举行，由AAAI（美国人工智能协会）主办，是社会计算、社交媒体分析和网络行为研究的重要学术会议。

本研究提出了一种融合人机协同与可视分析的新型游戏好友推荐系统，通过动态平衡推荐的相似性与多样性，显著提升玩家社交体验和游戏留存率，为个性化推荐系统提供了创新性解决方案。目前，游戏好友推荐系统普遍依赖算法进行自动推荐，常面临“相似性偏差”问题，导致玩家社交圈固化，难以拓展多样化社交关系。

图1 课题组提出了Human-in-the-loop的可视分析系统Prefer2SD，旨在辅助专家选择、理解并调整推荐结果的相似和多样性。

针对这一挑战，李权课题组联合网易游戏，首创 Prefer2SD 框架，其核心技术包括：1）两阶段人机协同工作流。算法专家通过可视化交互界面选定目标玩家群体，并基于社交关系、游戏风格、角色形象等多维度偏好，动态调整推荐候选人的 “相似性-多样性（SD）比例。系统利用主动学习技术，将专家优化的比例参数高效传播至整个玩家群体，实现群体级推荐策略的动态调优。2）交互式可视分析系统：Prefer2SD 设计了六大协同视图，帮助专家直观探索玩家行为数据、实时调整推荐策略，并动态监控SD比例变化。例如，通过“同心圆采样”和“跨偏好融合”功能，专家可精准控制候选人的分布，在兼顾算法效率的同时提升人工判断的灵活性。3）多模态玩家偏好建模：研究首次整合了玩家社交互动、游戏行为、角色形象 等多模态数据，并结合Node2vec图嵌入与CLIP视觉模型，构建更加全面的玩家画像，突破了传统系统仅依赖行为数据的局限。

该研究基于海量玩家的真实游戏日志进行了实验验证。研究结果表明：在12名算法专家的评估中，Prefer2SD推荐质量显著优于传统方法，玩家的长期社交匹配度显著提升；核心玩家群体的推荐 多样性得到增强，成功打破信息茧房，促进跨技能圈层的社交探索。

该研究成果由信息科学与技术学院李权课题组及网易游戏合作完成，并以“Prefer2SD: A Human-in-the-Loop Approach to Balancing Similarity and Diversity in In-Game Friend Recommendations”为题发表于ACM IUI 2025。信息科学与技术学院2022级硕士研究生王希元（horanny.github.io）为论文的第一作者，李权教授为通讯作者。

论文链接：

https://dl.acm.org/doi/10.1145/3708359.3712075

MOBA电竞比赛要求选手在高强度对抗中平衡战略规划与实时决策。然而，职业比赛中常出现“实际执行策略”与“预先设计的优选策略”不一致的情况。这种偏差可能源于对手策略的不确定性、团队沟通失误或选手心理状态等因素。传统分析方法依赖赛后复盘工具，存在效率低、主观性强、难以量化影响等问题。

图2： 在策略识别阶段，未标注的比赛帧通过DETR处理，以提取(1)英雄类别和(2)位置信息。随后，裁剪并调整大小的英雄图像片段由Swin-Transformer分类为(3)行为类别。在预测阶段，前五帧数据输入LSTM，用于预测(4)下一帧的位置信息和行为。每位玩家的生命值（Blood）、金币（Gold）、坐标（Coordinates）和行为（Behavior）在每帧中被编码为9维向量。

为此，李权课题组提出StratIncon Detector，旨在解决MOBA职业电竞比赛中实时策略与优选职业策略之间的不一致性问题。该系统通过可视分析与人工智能技术，帮助职业选手和教练高效识别战术偏差、评估其对比赛结果的影响，并优化团队协作。系统结合动态滑动窗口预测、深度学习模型与交互式可视化技术，提供四大核心功能：1）实时策略检测：通过DETR模型识别选手位置，Swin-Transformer分类行为，构建“角色-坐标-行为”三元策略模型。2）优选策略预测：基于LSTM模型分析历史数据，预测职业选手在特定时刻应采取的最佳策略。3）不一致性量化：通过经济差距等指标评估策略偏差对后续比赛阶段的影响。4）团队协作优化：整合历史表现与选手偏好数据，揭示战术执行中的深层协作问题。

课题组与一支省级冠军职业战队合作，通过案例分析、用户实验（24名参与者）及专家访谈验证系统效果。以《英雄联盟》S13全球总决赛中GEN与BLG的对局为例，系统成功识别关键团战中的策略偏差，并通过经济曲线与历史数据对比量化其对资源争夺的影响。相比传统工具，StratIncon Detector在策略解释性、效率和团队协作分析方面显著优于基线系统。战队教练指出，系统不仅能快速定位战术矛盾，还能通过“历史表现视图”和“玩家偏好视图”帮助选手理解个人风格与团队策略的冲突。该研究首次将时序预测与可视化分析深度结合，为职业电竞的战术复盘提供了科学化工具。用户反馈：“系统通过‘人在回路’设计，让教练与选手聚焦于策略推演而非数据整理，真正提升了复盘质量。”

该研究成果由上海科技大学信息科学与技术学院李权课题组完成，并以“StratIncon Detector: Analyzing Strategy Inconsistencies Between Real-Time Strategy and Preferred Professional Strategy in MOBA Esports”为题发表于ACM IUI 2025。信息科学与技术学院2023级硕士研究生马若非为论文的第一作者，李权教授为通讯作者。

论文链接：

https://dl.acm.org/doi/10.1145/3708359.3712088

“知识诅咒”（The Curse of Knowledge）是一种广泛存在于人际沟通场景中的认知偏差现象，在教育环境中表现得尤为突出。教师往往会不自觉地以自身的知识深度和理解水平来衡量初学者，低估学习者在学习过程中遇到的困难，这种认知偏差不仅影响教师自身的教学实践，还可能因现有师生沟通不足而进一步加剧。

为了鼓励更多更有效的学生反馈并增进教学共情，李权课题组开发了TSConnect，这是一个具有偏差意识、可适应性的交互式在线课程学习系统。TSConnect基于对129名学生和6名教师的调研，创新性地整合动态知识图谱、多模态反馈分析和AI推荐算法，从课程准备、课堂互动到课后反思全流程优化教学闭环。平台通过视频关键帧提取与自然语言处理技术，自动构建课程知识点依赖网络，帮助学生定位前置知识缺口，支持渐进式学习。学生可通过匿名评论、知识点标记和播放行为（如暂停/回放频率）实时反馈困惑，降低沟通心理负担；教师端则提供数据可视化面板，直观呈现学生理解盲区。系统自动关联学生反馈与课程内容，帮助教师识别教学盲点，例如忽略前置知识或讲解逻辑不清等问题，促进教学策略迭代。

图3： TSConnect 系统的学生使用界面，包含A）视频播放区、B）文本评论区、C）知识网络区、D）知识自查区。系统将在学生学习过程中收集视频播放数据（A），开放性问题（B），以及对难点知识的标记（C、D），为教师回顾教学成果提供更加丰富和准确的信息。

在30名学生参与的对照实验中，使用TSConnect的学生反馈量较传统MOOC平台显著增加，且更精准指向知识难点。教师端测试显示，平台能快速定位由前置知识缺失引发的学习障碍。一名参与实验的计算机科学教师表示：“TSConnect让我首次意识到，学生提问‘不理解’的背后，往往隐藏着未被发现的基础概念断层。”目前，平台在研究生课程《算法设计与分析》课程中进行了部分实验，计划逐步推广至更多学科。

该研究成果由上海科技大学信息科学与技术学院李权课题组完成，并以“TSConnect: An Enhanced MOOC Platform for Bridging Communication Gaps Between Instructors and Students in Light of the Curse of Knowledge”为题发表于ACM IUI 2025。信息科学与技术学院2022级硕士研究生刘芊渝为论文的第一作者，李权教授为通讯作者。

论文链接：

https://dl.acm.org/doi/10.1145/3708359.3712108

动态漫画作为一种增强叙事效果的数字动画形式，在故事讲述、教育和广告等领域具有广泛应用。然而，其创作过程通常依赖专业工具（如Adobe After Effects），对新手而言存在学习成本高、工作流程混乱等挑战。

为解决这些问题，李权课题组通过调研58名业余创作者，总结出五大核心痛点：工具复杂度高、缺乏标准流程、素材搜集耗时、动画设计困难、修改成本高。针对这些问题，提出四大设计目标：1）降低复杂度：通过简洁界面和模块化设计减少专业技能依赖；2）标准化流程：分步引导用户完成脚本解析、视觉设计、动画添加等环节；3）素材库整合：内置角色、道具资源库，支持用户自定义上传；4）动画模板支持：基于对95部动态漫画的分析，提炼8类动作设计模式，提供一键式动画效果。

进而，课题组提出了DancingBoard，一款集成创作工具，旨在简化动态漫画的创作过程。DancingBoard通过用户友好的界面和引导式工作流程，为创作者提供全流程支持。工具内置丰富的动作库和素材模板，帮助用户快速构建角色和物体的动态效果，降低了对专业技能的要求。DancingBoard创新性地引入大语言模型，实现文本到动画的智能转换。用户输入故事文本后，系统自动分割场景、提取关键信息（角色、物品、动作），并生成动画建议。例如，当检测到“公主走向古塔”这一动作时，工具会推荐“路径移动”或“消失-重现”两种动画模式，用户可通过拖拽路径或调整参数自定义效果。此外，工具支持原子化动画操作（如缩放、旋转），满足个性化需求。

图4：DancingBoard提供集成编辑界面，用户输入故事文本后，可查看场景概要、编辑角色和物体，并完成内容编辑与展示，从而简化创作流程。

课题组通过两项用户实验验证工具效果：1）创作效率测试：业余创作者使用DancingBoard与专业工具（Cartoon Animator）对比显示，前者任务完成时间缩短，认知负荷显著降低（NASA-TLX评分下降）；2）叙事效果评估：观众观看DancingBoard与专业工具制作的同主题动态漫画后，两组作品在故事理解度、信息留存率上无显著差异，且DancingBoard作品因风格简洁更受非专业观众青睐。未来，课题组将进一步探索LLM在视觉设计建议、多模态内容生成中的应用，并计划加入时间轴编辑、镜头语言控制等功能，平衡“低门槛”与“高上限”的创作需求。

该研究成果由上海科技大学信息科学与技术学院李权课题组完成，并以“DancingBoard: Streamlining the Creation of Motion Comics to Enhance Narratives”为题发表于 ACM IUI 2025 会议。信息科学与技术学院2024级博士研究生陈龙飞（chenlf126.github.io/）、2021级本科生李盛忻（mike3090.github.io/）为论文的共同第一作者，李权教授为通讯作者。

论文链接：

https://dl.acm.org/doi/10.1145/3708359.3712167

针对时间社交网络影响力最大化（Influence Maximization, IM）问题，李权课题组提出了一种基于监督学习的创新框架，通过结合影响力传播路径（Influence Propagation Paths, IPPs）的高效标注方法和改进的时序图神经网络（Temporal Graph Network, TGN），显著提升了社交网络中“冷启动节点”的推荐效果，并在实际在线游戏环境中验证了其有效性。

在时间社交网络中，新用户或低活跃用户因社交信息稀疏（即“冷启动问题”）往往难以被精准推荐，导致网络扩展受限。为此，课题组提出两大关键技术突破：1）Motif-Based过滤与张量化TGN：通过识别网络中的传播路径模式（Motif），快速标注关键节点，并结合张量运算优化时序图神经网络的训练效率，实现高达22倍的训练加速；2）冷启动节点增强策略：基于历史数据中相似传播路径的检索，为冷启动节点动态补充邻居信息，缓解信息稀疏性。该方法仅依赖网络自身结构，无需额外数据支持。

图5： 冷启动解决方案：(A) IPP序列化：为每个 IPP 的节点生成序列化字符串，并将这些字符串拼接为一个IStr。(B) 邻居检索：将所有IPP的IStr插入前缀树中，并通过先序遍历 (PTT) 对其进行定位，确保相似的字符串彼此相邻。在 PTT 中，建立 IPP 的终止节点 v2 与最相似的IStr所属节点之间的冷启动边。(C)邻居检索示例。

课题组在公开数据集（如Twitter、Bitcoin交易网络）及网易游戏的真实场景中进行了验证。改进后的TGN模型（TGN&cold）在预测传播路径的准确率（AUC）上最高达97.3%，较基线方法提升超14%。在团队对战游戏中，新方法使社交网络覆盖率整体提升3.52%，冷启动场景下的传播效果提升14.32%，有效打破了传统推荐系统“信息茧房”的局限。该研究为社交网络分析提供了可扩展的技术框架，尤其在游戏社交、病毒营销等需快速扩展用户群体的场景中具备实用价值。未来，课题组计划进一步探索长路径传播优化及跨模型适配，以应对更复杂的网络动态。

该研究成果由上海科技大学信息科学与技术学院李权课题组、张海鹏课题组及网易游戏合作完成，并以“Influence Maximization in Temporal Social Networks with a Cold-start Problem: A Supervised Approach”为题被ICWSM 2025 会议正式接收。信息科学与技术学院2020级博士研究生谢莱鑫（https://laixinn.github.io/）为论文的第一作者，李权教授为通讯作者。