10 Mins Paper：数据挖掘顶会论文专题-2019SIGIRKDD

Posted 2021-04-27 伯禹人工智能学院

本期10 mins paper主要介绍了五篇来自SIGIR和KDD（国际顶级会议）的关于数据挖掘的论文：

1.Variance Reduction for OL2R

2.Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks

3.Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks

4.Deep Learning for Market Price Modeling

5.Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning

本期10 Mins Paper将由上海交通大学APEX实验室的研究生为大家带来，希望大家能够从视频中有所收获。

扫描下方二维码，前往伯禹 10 MIns Paper网站获取视频～

数据挖掘顶会论文

论文#1: 

Variance Reduction for OL2R

本论文的10 Mins Paper视频链接：

https://www.boyuai.com/videos/10minspaper/_hmMyYzRKG1Csrny-BMp0

讲者简介

房宇辰，上海交通大学apex实验室研究生，主要方向是深度学习，推荐系统。

论文摘要

最为常用的Online Learning to Rank算法DBGD由于需要在高维空间内做随机采样，导致算法的方差较大。这次paper reading主要介绍一篇关于如何降低Online Learning to Rank优化算法中方差的工作 Variance Reduction in Gradient Exploration for Online Learning to Rank。这篇论文发表在SIGIR 2019上，拿到了best paper award。

先导知识列表

深度学习，在线学习，Learning to Rank

论文#2 ：

Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks

本论文的10 Mins Paper视频链接：

https://www.boyuai.com/videos/10minspaper/XvB_G-rijO8menVGWo78b

讲者简介

潘哲逸，上海交通大学APEX实验室在读博士生。研究方向：深度学习、时空数据挖掘、城市计算。

论文摘要

传统的图卷积网络模型在大规模图上面临着巨大的计算开销和空间开销问题。针对这个问题，本文提出了一种基于点聚类的图卷积网络计算方式，能够显著提升图神经网络的计算效率并在多个数据集上取得了state-of-the-art结果。

先导知识列表

深度学习，图卷积模型，循环神经网络模型

论文#3:

Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks

本论文的10 Mins Paper视频链接：

https://www.boyuai.com/videos/10minspaper/xIXyS-0qTW3TeyuaW0B12

讲者简介

秦佳锐，上海交通大学APEX实验室硕士研究生，研究方向为机器学习与深度学习在图网络、推荐系统及计算广告领域的应用。

论文摘要

本视频介绍了KDD 2019上一篇关于动态图表征学习的论文。

先导知识列表

循环神经网络，推荐系统

论文#4: 

Deep Learning for Market Price Modeling

本论文的10 Mins Paper视频链接：

https://www.boyuai.com/videos/10minspaper/yXDUAqYDqetU1TQBkhYtF

讲者简介

任侃，就职于微软亚洲研究院，担任研究员，博士毕业于上海交通大学APEX实验室，研究方向为机器学习与数据挖掘及在信息检索领域的应用，包括计算广告与推荐系统等。

论文摘要

在线交易在很多场景中都有应用，例如金融量化、实时竞价广告等。在市场交易过程中，每一位参与竞拍的竞拍者都希望获知完全的市场信息，例如其他人的出价情况，这样就能合理地安排自己的出价决策。然而在真实的竞拍交易过程中，其他竞拍者的信息是无法感知的，特别是在一些主流的竞拍机制下。所以，在参与竞拍过程中，利用部分可获知的信息正确估计市场价格（一种代表整体竞拍价格水平的变量）的分布就显得尤为重要。本文介绍了一种基于深度学习与生存分析理论的预估模型，利用循环神经网络预估条件概率并依据概率链式法则推导获得市场价格分布与胜率函数。这种基于条件概率的建模方法能抓住数据中特征与价格在序列模式上的特点。不同于以往方法，本文介绍的方法无需假设概率分布满足于某种特定分布形态，从而在泛化性与灵活性方面独具优势。同时，本文所使用的生存分析理论能大幅降低删失数据（censored data, 本文中指的是没有观察到真实市场价格的样本）所带来的预测偏差。基于多个真实数据集的实验结果表明，本文提出的方法获得了显著的性能提升。可视化分析也从侧面印证了模型的优越性与合理性。

先导知识列表

概率与条件概率、分布列、概率密度函数、累积概率函数、深度学习、循环神经网络、损失函数

论文#5 ：

Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning

本论文的10 Mins Paper视频链接：

https://www.boyuai.com/videos/10minspaper/4__6rDj-FesRshHZEuK9z

讲者简介

潘哲逸，上海交通大学APEX实验室在读博士生。研究方向：深度学习、时空数据挖掘、城市计算。

论文摘要

城市交通预测是城市计算领域中一个非常重要的研究课题，准确的交通预测可以帮助我们更好地理解城市交通，给交通系统的改进提供思路，同时也能对民众提供及时的交通预警。然而，准确的城市交通预测需解决以下两个挑战：1) 交通数据间复杂的时空相关性，即一个地点的交通状况会影响其未来一段时间内的交通，也会影响其周围区域的交通。2) 地理信息（如地点周围的兴趣点，路网结构等）对时空相关性的影响。为了解决这两个挑战，我们提出了一个基于深度元学习的模型：ST-MetaNet。该模型使用sequence-to-sequence架构，其中包含一个循环神经网络（RNN），对交通状况编码；一个基于元知识的图注意力模型（Meta-GAT），对不同地点多样的空间相关性建模；和一个基于元知识的循环神经网络（Meta-RNN），对不同地点多样的时间相关性建模。最后，我们在两个真实的交通数据集上测试ST-MetaNet的有效性。相比于现有的基准模型，实验结果验证了ST-MetaNet能显著提升交通预测的准确度。

先导知识列表

深度学习，图卷积模型，循环神经网络模型

以上便是本期由上海交通大学APEX实验室带来的10 Mins Paper精彩分享。

同时，伯禹诚意邀请更多AI领域的优秀工作者来制作自己的10 Mins Paper，将自己的科研成果分享给更多的AI从业者与爱好者～

10 Mins Paper是什么？

10 Mins Paper 是伯禹推出的共创、共享的人工智能领域论文解读系列。

——面向人工智能方向的工业界学术界的学生和在职人员，旨在以视频形式讲解经典论文及前沿热点的算法。方便大家以更高效的方式学习了解AI领域前沿论文，同时促进对论文的深入探讨。

为什么要推出10 Mins Paper系列？

人工智能领域的发展日新月异，伯禹希望通过高质量的短视频讲解，帮助大家快速了解前沿论文。

未来，我们希望聚集更多的AI领域学者，参与10 Mins Paper系列，产出更多优质视频。我们加入了打赏功能与促进学术交流的讨论区，希望构建人工智能领域的论文学习交流社群。

在哪里可以看到10 Mins Paper视频？

欢迎进入「伯禹学堂」观看视频⬇️

https://www.boyuai.com/videos/10minspaper

（复制链接或点击“阅读原文”即可进入网址）

也可在B站搜索“伯禹人工智能学院”进行观看哦~

我可以成为10 Mins Paper的讲者吗？

如果你有意向成为最强大脑中的一员，与大家分享解读经典或前沿论文：

讲者要求：高校人工智能方向研究生/博士生  或 相关领域从业者   

请联系微信 @小鱼在伯禹（添加好友时请标注：报名10 Mins讲者）