WWW 2021有哪些值得读的图机器学习相关论文?
WWW (這兩年改名叫TheWebConf了) 會議是由圖靈獎得主Tim創(chuàng)辦的學(xué)術(shù)會議,內(nèi)容涵蓋互聯(lián)網(wǎng)相關(guān)的一切主題。中國計(jì)算機(jī)協(xié)會將其認(rèn)證為CCF-A類頂級會議,難度極大。中一篇吹一年。
本文梳理WWW 2021有關(guān)圖機(jī)器學(xué)習(xí)領(lǐng)域的最新研究成果,供大家參考。
圖表示學(xué)習(xí)
推薦系統(tǒng)
知識圖譜
冷啟動問題
生成對抗網(wǎng)絡(luò)
對話AI
醫(yī)療
WWW2021的論文可于官網(wǎng)上查看,官網(wǎng)上根據(jù)主題將不同的論文映射到向量空間中,這樣可以看到不同論文之間的相似度,而且還能根據(jù)標(biāo)簽、標(biāo)題來搜索想看的論文哦~
地址:
https://www2021.thewebconf.org/program/papers-program/
圖表示學(xué)習(xí)
圖,如社交網(wǎng)絡(luò)、單詞共存網(wǎng)絡(luò)和通信網(wǎng)絡(luò),廣泛地存在于各種現(xiàn)實(shí)應(yīng)用中。通過對它們的分析,我們可以深入了解社會結(jié)構(gòu)、語言和不同的交流模式,因此圖一直是學(xué)界研究的熱點(diǎn)。真實(shí)的圖(網(wǎng)絡(luò))往往是高維、難以處理的,20世紀(jì)初,研究人員發(fā)明了圖嵌入算法,對真實(shí)的圖進(jìn)行降維處理。他們首先根據(jù)實(shí)際問題構(gòu)造一個(gè)D維空間中的圖,然后將圖的節(jié)點(diǎn)嵌入到d(d<<D)維向量空間中。嵌入的思想是在向量空間中保持連接的節(jié)點(diǎn)彼此靠近。
本次WWW帶來了6篇有關(guān)圖表示學(xué)習(xí)的論文,內(nèi)容涉及異質(zhì)圖上節(jié)點(diǎn)表示的優(yōu)化、基于子圖層次選擇和嵌入的圖神經(jīng)網(wǎng)絡(luò)、解耦GCN的理論分析等,如下所示:
Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks
SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism
On the Equivalence of Decoupled Graph Convolution Network and Label Propagation
Knowledge Embedding Based Graph Convolutional Network
Rumor Detection with Field of Linear and Non-Linear Propagation
Multi-level Connection Enhanced Representation Learning for Script Event Prediction
推薦系統(tǒng)
推薦系統(tǒng)是一種信息過濾系統(tǒng),用于預(yù)測用戶對物品的“評分”或“偏好”。
推薦系統(tǒng)近年來非常流行,應(yīng)用于各行各業(yè)。推薦的對象包括:電影、音樂、新聞、書籍、學(xué)術(shù)論文、搜索查詢、分眾分類、以及其他產(chǎn)品。也有一些推薦系統(tǒng)專門為尋找專家、合作者、笑話、餐廳、美食、金融服務(wù)、生命保險(xiǎn)、網(wǎng)絡(luò)交友,以及Twitter頁面設(shè)計(jì)等。
本次WWW論文中,涉及到推薦系統(tǒng)的論文多達(dá)23篇,由此可見推薦系統(tǒng)的火爆程度。論文內(nèi)容涉及到面向未來的推薦系統(tǒng)框架、提高推薦系統(tǒng)的多樣性、對復(fù)雜的高階關(guān)系進(jìn)行建模、用戶對商品類別的偏好的動態(tài)模型等研究方向,論文列表如下:
Large-scale Comb-K Recommendation
A Recommender System for Crowdsourcing Food Rescue Platforms
Future-Aware Diverse Trends Framework for Recommendation
Graph Embedding for Recommendation against Attribute Inference Attacks
Diversified Recommendation Through Similarity-Guided Graph Neural Networks
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
Reinforcement Recommendation with User \Multi-aspect Preference
User-oriented Group Fairness In Recommender Systems
Bidirectional Distillation for Top-K Recommender System
Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities
Debiasing Career Recommendations with Neural Fair Collaborative Filtering
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Cost-Effective and Interpretable Job Skill Recommendation with Deep Reinforcement Learning
Learning Fair Representations for Recommendation: A Graph-based Perspective
Where Next? A Dynamic Model of User Preferences
Leveraging Review Properties for Effective Recommendation
High-dimensional Sparse Embeddings for Collaborative Filtering
DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems
A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation
Rabbit Holes and Taste Distortion: Distribution-Aware Recommendation with Evolving Interests
FINN: Feedback Interactive Neural Network for Intent Recommendation
Field-aware Embedding Space Searching in Recommender Systems
Learning Intents behind Interactions with Knowledge Graph for Recommendation
知識圖譜
知識圖譜是由Google公司在2012年提出來的一個(gè)新的概念。從學(xué)術(shù)的角度,我們可以對知識圖譜給一個(gè)這樣的定義:“知識圖譜本質(zhì)上是語義網(wǎng)絡(luò)(Semantic Network)的知識庫”。知識圖譜本質(zhì)上就是把所有不同種類的信息(Heterogeneous Information)連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò)。
本次WWW帶來了9篇論文,內(nèi)容涉及到KG上的鏈路預(yù)測、效率提升、KG嵌入雙曲空間、KG上的查詢等方面的研究,論文如下:
Inductive Entity Representations from Text via Link Prediction
Boosting the Speed of Entity Alignment 10×: Dual Attention Matching Network with Normalized Hard Sample Mining
Mixed-Curvature Multi-relational Graph Neural Network for Knowledge Graph Completion
Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion
Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs
Few-Shot Knowledge Validation using Rules
Learning Intents behind Interactions with Knowledge Graph for Recommendation
MedPath: Augmenting Health Risk Prediction via Medical Knowledge Paths
RETA: A Schema-Aware, End-to-End Solution for Instance Completion in Knowledge Graphs
冷啟動問題
推薦系統(tǒng)需要根據(jù)用戶的歷史行為和興趣預(yù)測用戶未來的行為和興趣,因此大量的用戶行為數(shù)據(jù)就成為推薦系統(tǒng)的重要組成部分和先決條件。
在開始階段就希望有個(gè)性化推薦應(yīng)用的網(wǎng)站來說,如何在沒有大量用戶數(shù)據(jù)的情況下設(shè)計(jì)個(gè)性化推薦系統(tǒng)并且讓用戶對推薦結(jié)果滿意從而愿意使用推薦系統(tǒng),就是冷啟動的問題。
本次WWW帶來2篇有關(guān)冷啟動的論文,內(nèi)容包括對抗項(xiàng)目推廣、全局知識解碼器等,論文如下:
Adversarial Item Promotion: Vulnerabilities at the Core of Top-N Recommenders that Use Images to Address Cold Start
Task-adaptive Neural Process for User Cold-Start Recommendation
生成對抗圖
生成對抗網(wǎng)絡(luò)(Generative Adversarial Network,簡稱GAN)是非監(jiān)督式學(xué)習(xí)的一種方法,通過讓兩個(gè)神經(jīng)網(wǎng)絡(luò)相互博弈的方式進(jìn)行學(xué)習(xí)。
本次WWW帶來的論文包括推薦系統(tǒng)中模擬真實(shí)用戶行為、時(shí)間圖生成對抗網(wǎng)絡(luò)、解決可見類和不可見類之間的數(shù)據(jù)不平衡問題、在文本情感分類中提取與情感相關(guān)的區(qū)別性特征等,論文如下:
User Simulation via Supervised Generative Adversarial Network
TG-GAN: Continuous-time Temporal Graph Deep Generative Models with Time-Validity Constraints
OntoZSL: Ontology-enhanced Zero-shot Learning
Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources
Completing Missing Prevalence Rates for Multiple Chronic Diseases by Jointly Leveraging Both Intra- and Inter-Disease Population Health Data Correlations
對話AI
對話式 AI 就是人與機(jī)器之間的交互。它識別語音和文本、意圖以及各種語言,以模仿自然語言,或人類對話。對話式 AI 解決方案可以完成人類經(jīng)常做的重復(fù)性任務(wù),從而節(jié)省金錢和時(shí)間,并使人類騰出時(shí)間從事更高層次的戰(zhàn)略性工作。
本次WWW為我們帶來的論文內(nèi)容有關(guān)使用Wikipedia頁面嵌入來預(yù)測應(yīng)將哪些屬性附加到給定實(shí)體、研究如何產(chǎn)生構(gòu)想答案、增加知識圖的覆蓋范圍等,有如下3篇:
Wiki2Prop: A Multi-Modal Approach for Predicting Wikidata Properties from Wikipedia
Compositional Question Answering via Hierarchical Graph Neural Networks
Information Extraction From Co-Occurring Similar Entities
醫(yī)療
人工智能(AI)正在經(jīng)歷爆炸式增長,影響著許多行業(yè),也正為醫(yī)療健康行業(yè)帶來一場全新革命。
生物信息領(lǐng)域產(chǎn)生分子層面的基因突變、基因表達(dá)等數(shù)據(jù);制藥企業(yè)在藥物研發(fā)過程中產(chǎn)生的臨床試驗(yàn)數(shù)據(jù);疾病患者或藥物使用者在社交媒體發(fā)布的患病及用藥感受;醫(yī)療移動設(shè)備收集的用戶日常健康數(shù)據(jù)等。這些是醫(yī)藥大數(shù)據(jù)的主要構(gòu)成部分,其對于醫(yī)院的疾病輔助診斷和治療方案確定、制藥行業(yè)的研發(fā)及營銷效率、監(jiān)管部門對于流行病的預(yù)測和對藥物不良反應(yīng)的監(jiān)測、患者的個(gè)性化治療和個(gè)人健康管理等都具有重要意義。
本次WWW帶來的有關(guān)醫(yī)療的論文涉及到DDI預(yù)測、新的推薦藥物包裝范例、解決冷啟動和臨床描述稀缺的問題、分子特性的預(yù)測等,如下所示:
Multi-view Graph Contrastive Representation Learning for Drug-Drug Interaction Prediction
Drug Package Recommendation via Interaction-aware Graph Induction
Online Disease Self-diagnosis with Inductive Heterogeneous Graph Convolutional Networks
Few-Shot Molecular Property Prediction
????
現(xiàn)在,在「知乎」也能找到我們了
進(jìn)入知乎首頁搜索「PaperWeekly」
點(diǎn)擊「關(guān)注」訂閱我們的專欄吧
關(guān)于PaperWeekly
PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域,歡迎在公眾號后臺點(diǎn)擊「交流群」,小助手將把你帶入 PaperWeekly 的交流群里。
總結(jié)
以上是生活随笔為你收集整理的WWW 2021有哪些值得读的图机器学习相关论文?的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: NAACL 2021 | QA-GNN:
- 下一篇: 关于人民战争的战略战术的基本特点中提到,