KDD 第5页

厉害了！！！提示学习（Prompt）用在推荐系统上

今天分享一篇KDD2022的工作，推荐和对话子任务统一到提示学习范式中，并利用基于固定预训练语言模型的知识增强提示以统一的方法完成这两个子任务。

zenRRan·2022-12-20 19:35

KDD2021|因果模型在实时竞价重复曝光次数中的应用

CausalModelsforRealTimeBiddingwithRepeatedUserInteractionsMartinBompaire,AlexandreGilotte,BenjaminHeymannCriteoAILabhttps://hal.archives-ouvertes.fr/hal-02971865/document大部分在线广告的展示是通过实时竞价(RTB)这种拍卖机制来售

frank_hetest·2022-12-20 12:00

因果推断与反事实预测——盒马KDD2021的一篇论文（二十三）

文章目录1已有研究者的描述1.1YuyangZhangFTD1.1.1Introduction1.1.2ProblemFormulation1.1.3CounterfactualPrediction1.1.4excampleofproblem1.1.5Experiment1.1.6train_price-salecurve1.1.7ab测试1.1.8一些想法1.2知乎：斑马1.2.1整体框架和技术

悟乙己·2022-12-20 12:29

信息检索、路径规划、电子商务，KDD 的战场有哪些？

By超神经内容提要：数据挖掘领域顶级国际会议KDD2020即将在下周拉开序幕。今年提交的2035篇论文中，共338篇被接受。其中，国内科技大厂BAT、滴滴、华为等表现亮眼。

HyperAI超神经·2022-12-20 03:43

【推荐系统中的Hash 3】Deep Hash：Learning to Embed Categorical Features without Embedding Tables KDD‘21

三、深度哈希（id——embedding）《LearningtoEmbedCategoricalFeatureswithoutEmbeddingTablesforRecommendation》GoogleKDD2021ResearchTrack文章以NLP的视角切入推荐系统中embedding的问题：NLP中存在分词的机制，所以词表大小远远小于推荐中纯ID类的词表；NLP中的词表是静态的（因为词语

chad_lee·2022-12-19 16:27

Deep Crossing的学习笔记

DeepCrossing的简介DeepCrossing模型是微软于2016年在KDD上提出的模型，它算是第一个企业以正式论文的形式分享深度学习推荐系统的技术细节的模型。

想要快乐的小张·2022-12-19 12:15

数据挖掘基础

理论知识（1）概念（2）算法一般过程（C4.5为例）2.小结三、关联规则1.概述2.关联分析3.小结四、聚类分析（K-means）1.K-means算法（K-均值算法）2.小结五、数据库中的知识发现（KDD

归尘@Holden·2022-12-19 11:31

数据挖掘算法

KDD步骤：数据清理数据集成数据选择数据变换数据挖掘模式评估知识表示数据挖掘概念：从大量的、错综复杂的数据中挖掘哪些令人感兴趣的（易被理解、新颖的、潜在有用的、非平凡的）模式或知识构成数据挖掘算法的三要素

JaSparrow·2022-12-17 13:50

图表示学习-GraphEmbedding

图表示学习-GraphEmbeddingWord2vec（2013）CBOW模型Skip-gram模型参考DeepWalk（2014，KDD）LINE（2015）TADW（2015，IJCAI）Node2vec

平平无奇科研小天才·2022-12-17 00:54

Word2Vec的落地应用以及一些项目思路

其他序列的数据也是可以这样做的，记得去年KDD上有一篇DeepWalk的文章，在社交网络上进行随机游走生成一组组节点的序列，然后通过word2vec训练每个节点对应的向量。

说好今夜不点烟·2022-12-17 00:47

如何进行数据挖掘？

它是数据库知识发现（英语：Knowledge-DiscoveryinDatabases，简称：KDD)中的一个步骤。

AIwenIPgeolocation·2022-12-16 11:37

KDD2020|混合时空图卷积网络：更精准的时空预测模型

以往的研究中主要利用通行时间这类交通状态特征作为模型输入，很难预测整体的交通状况，本文提出的混合时空图卷积网络，利用导航数据大大提升了时空预测的效果（本文作者高德机器学习团队，论文已被收录到KDD2020

小白学视觉·2022-12-16 08:22

KDD_CUP99数据集处理和测试（已处理数据可下载）

已处理数据集下载：KDD_CUP99.zip-蓝奏云数据处理和性能测试代码下载：intrusion-detection-system-accuracy-99-9.zip-蓝奏云必看说明：raw文件夹是源文件

圣诞节不感冒·2022-12-14 08:04

北京大学崔斌教授组招收图机器学习、AutoML等方向科研实习生

课题组长期在SIGMOD、VLDB、ICML、AAAI、KDD等一流会议发表论文。课题组同学曾数十次获得包括CCF优博、北大优博、学术十杰、微软学者、苹果奖学金、谷歌奖学金等荣誉。

深度学习技术前沿·2022-12-13 21:04

MACR因果推荐Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in RS

目录研究背景方法介绍因果图的建立建模因果效应消除流行度影响心得体会代码互动和多样性有收益我之前反复看这篇文章我觉得起作用的就是他减掉了userembedding和itemembedding的norm大小的影响KDD2021

我是女孩·2022-12-11 22:58

【论文笔记】Dual Channel Hypergraph Collaborative Filtering ---- KDD 2020

本文提出了一种新的基于超图的DHCF框架来学习用户-物品的高阶相关性，主要有两部分：高阶消息传递和联合消息更新组成。主要的亮点在于采用了一种新的图结构--超图，分别对用户和物品进行建模，并用于协同过滤中。概要协同过滤是一种最火的和最重要的推荐方法。即使被广泛采用，存在CF的模型，从矩阵分解到新兴的基于图的方法，当模型数据有限的时候表现都是比较差的。在本文中，我们首先指出了造成这种现象的两种主要主要

WhisperEcho101·2022-12-11 18:47

论文笔记：KDD 2020 Adaptive Graph Encoder for Attributed Graph Embedding

前言属性图嵌入，具体来说就是通过图数据结构中的拓扑关系和节点特征信息完成节点表示学习的过程。其中属性图的具体指的就是节点的特征信息。作者首先分析了现有的基于GCN的属性图嵌入方法的三个缺点，分别是：图卷积滤波器与权矩阵的纠缠不仅会影响性能，而且会影响鲁棒性这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特殊情况，但它们并不保留最优低通特性。现有算法的训练目标通常是恢复邻接矩阵或特征矩阵（通过自动

饮冰l·2022-12-11 18:15

【论文笔记】KDD18 PinSage A new graph convolutional neural network for web-scale recommender systems

overview论文地址，含oral视频Pinterest官方的博客pinsage又是JureLeskovec组的一篇有影响力的工作，该工作被认为是第一个用于工业界GNN推荐系统。该论文学术上的创新较少，模型基本都来源于GraphSage和Pixie这两篇。目前pinSage只有DGL官方的一个实现版本。核心的模型是基于随机游走采样的graphSage。其目的主要是去生成embedding，而不是

qq_38420683·2022-12-11 18:14

CDA LEVEL 2 建模分析师备考笔记

KDD知识发现过程：数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示。CRISP-DM方法论：业务理解、数据理解、数据准备、建模、模型评估、模型发布。SEM

明夏小斯·2022-12-11 18:13

KDD2021《TDGIA: Effective Injection Attacks on Graph Neural Networks》论文详解

原文链接：https://arxiv.org/pdf/2106.06663.pdfevasionattack1&2Abstract&Introduction本文作者分析了图注入攻击（GraphInjectionAttack，GIA）设置下的GNN网络的拓扑脆弱性（topologicalvulnerability），在此基础上提出了拓扑缺陷图注入攻击（TopologicalDefectiveGrap

Anonymous-·2022-12-11 18:08

（KDD2020）论文笔记---------XGNN: Towards Model-Level Explanations of Graph Neural Networks

0、最近在看一篇关于在模型层面上做可解释的图神经网络，记录一下。论文链接：XGNN：TowardsModel-LevelExplanationsofGraphNeuralNetworksAbstract图神经网络通过聚合邻居节点的信息来学习节点特征，虽然在许多图任务上取得了较大的成功，但是GNN和传统的深度学习模型一样，是黑盒模型。如果不能理解GNN模型，就不能完全信任它们。本文作者提出了一种在模

Laiguibing521·2022-12-11 18:37

论文笔记：Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)

两个问题：会话数据本身缺乏足够的语境信息，无法准确理解用户的偏好；自然语言表达与item级用户偏好之间存在语义差距。本文提出的解决办法：结合面向词和面向实体的知识图(KG)来增强CRSs中的数据表示，并采用互信息最大化(MutualInformationMaximization)来对齐词级和实体级语义空间步骤：首先使用图神经网络分别学习两个kg上的节点嵌入，然后提出使用互信息最大化方法来弥合两个k

Cyberfish1120·2022-12-11 18:07

【论文阅读笔记 KDD2021】《Relational Message Passing for Knowledge Graph Completion》

论文链接：https://arxiv.org/pdf/2002.06757.pdf代码和数据集：https://github.com/hwwang55/PathCon文章目录ABSTRACT1INTRODUCTION2PROBLEMFORMULATION3OURAPPROACH3.1RelationalMessagePassingFramework3.2RelationalContext3.3Re

葫芦哇·2022-12-11 18:06

KDD'22 | CausalMTA: 基于因果推断的无偏广告多触点归因技术

▐摘要多触点归因（MTA:MultiTouchAttribution）是一种基于数据驱动（Data-driven）的归因技术，着重还原用户触点轨迹并公平分配贡献，帮助商家优化广告资源投放，从而优化提升整体营销收益。多触点归因是预算分配与智能广告投放的基础，现有方法多采用历史数据训练一个模型以预测广告触点路径的转化概率，然后根据合作博弈理论ShapleyValue基于反事实预测结果公正分配每个触点的

阿里妈妈技术·2022-12-11 16:48

【网络流量识别】总结篇1：机器学习方法在网络流量识别的应用

目录一、概述1.异常检测的定义和方法2.异常检测的意义3.网络流量数据分类方法二、基于机器学习的网络流量数据分类1.聚类2.深度学习三、数据集1.KDDCup-99数据集2.NSL-KDD数据集3.UNSW

昔我往矣wood·2022-12-10 20:16

【论文笔记】DeepWalk: Online Learning of Social Representations

[paper]http://www.perozzi.net/publications/14_kdd_deepwalk.pdf[code]https://github.com/phanein/deepwalkabstractDeepWalkuseslocalinformationobtainedfromtruncatedrandomwalkstolearnlatentrepresentationsb

ysq96·2022-12-10 19:24

【KDD 2020】A Data-Driven Graph Generative Model for Temporal Interaction Networks

数据驱动的时间交互网络图生成模型ABSTRACTDeepgraphgenerativemodelshaverecentlyreceivedasurgeofattentionduetoitssuperiorityofmodelingrealisticgraphsinavarietyofdomains,includingbiology,chemistry,andsocialscience.Despit

三年三年又三年·2022-12-10 19:19

KDD2018《Adversarial Attacks on Neural Networks for Graph Data》论文详解

AdversarialAttacksonNeuralNetworksforGraphData论文链接：https://arxiv.org/pdf/1805.07984.pdfevasionattack&poisoningattackAbstract本文介绍了第一个在属性图上进行对抗攻击的研究，特别关注利用图卷积的思想模型。除了在测试阶段进行攻击，本文进行了更具挑战的poisoningattack（

Anonymous-·2022-12-10 19:42

【论文解读】Learning on Graphs with Out-of-Distribution Nodes——KDD2022

LearningonGraphswithOut-of-DistributionNodes|Proceedingsofthe28thACMSIGKDDConferenceonKnowledgeDiscoveryandDataMining代码：GitHub-SongYYYY/KDD22

努力学习滴兔兔·2022-12-10 19:10

2020上半年的sequential recommendation论文整理01——概述

I have a lemon·2022-12-10 16:23

捷报 | 深兰科技再次问鼎CVRP2021 斩获五冠共14项大奖

值得一提的是，深兰科技作为连续三次问鼎CVPR的“常客”，凭借其高超的技术水平，更是在其他众多国际顶级大赛中取得丰硕战果，至今在ICCV，ECCV，NeurIPS，KDD，ACL，NAACL等

深兰深延AI·2022-12-10 13:40

2022CVPR云分享 | 5位一作学者带你走进计算机视觉领域顶会

哔哩哔哩直播通道扫码关注AITIME哔哩哔哩官方账号预约直播8月3日15:00-15:20讲者简介祝浩：前京东金融技术专家，澳大利亚国立大学Ph.DCandidate.兴趣广泛，曾在ICLR,Neurips,CVPR,KDD

AITIME论道·2022-12-10 12:03

KDD Cup 2020多模态召回比赛亚军方案与搜索推荐业务的业务应用

ACMSIGKDD（ACMSIGKDDConferenceonKnowledgeDiscoveryandDataMining）是世界数据挖掘领域的顶级国际会议。今年，KDDCup共设置四个赛道共五道赛题，涉及数据偏差问题（Debiasing）、多模态召回（MultimodalitiesRecall）、自动化图学习（AutoGraph）、对抗学习问题和强化学习问题。美团搜索广告算法团队最终在Debi

智能推荐系统·2022-12-10 03:05

KDD Cup 2020多模态召回比赛亚军方案与搜索业务应用

ACMSIGKDD（ACMSIGKDDConferenceonKnowledgeDiscoveryandDataMining）是世界数据挖掘领域的顶级国际会议。今年，KDDCup共设置四个赛道共五道赛题，涉及数据偏差问题（Debiasing）、多模态召回（MultimodalitiesRecall）、自动化图学习（AutoGraph）、对抗学习问题和强化学习问题。美团搜索广告算法团队最终在Debi

文文学霸·2022-12-10 02:03

数据挖掘与机器学习课程总结

(KnowledgeDiscoveryfromData,KDD)1.2数据挖掘应用二、学习的可行性2.1Hoeffding不等式（Hoeffding’sInequality）2.2用Hoeffding不等式说明学习的可行性三

飞今天也很开心·2022-12-09 16:41

知识图谱-KGE-语义匹配-双线性模型（打分函数用到了双线性函数）-2014 ：MLP

KnowledgeVault&MLP【paper】KnowledgeVault:AWeb-ScaleApproachtoProbabilisticKnowledgeFusion【简介】本文是谷歌的研究者发表在KDD2014

u013250861·2022-12-09 14:49

滴滴 KDD 2018 论文详解：基于强化学习技术的智能派单模型

国际数据挖掘领域的顶级会议KDD2018在伦敦举行，今年KDD吸引了全球范围内共1480篇论文投递，共收录293篇，录取率不足20%。

stay_foolish12·2022-12-08 09:00

数据仓库与数据挖掘-绪论个人笔记

数据库中知识发现的过程（又称KDD）输入数据→数据预处理→数据挖掘→后处理→信息其中，数据与处理包括特征选择、维归纳、数据规范化、选择数据子集等。后处理包括模式

大寒_Zz·2022-12-07 20:18

数据挖掘：概念与技术读书笔记第一章引论

数据挖掘：又称从数据中发现知识，简称KDD1、为什么进行数据挖掘？迈向信息时代数据挖掘把大型数据集转换成知识。

三-毛-六·2022-12-07 20:46

【知识图谱系列】基于生成式的知识图谱预训练模型

来自：机器学习与自然语言处理本文介绍一篇基于生成式的图谱预训练模型GPT-GNN（KDD2020），介绍GPT-GNN模型核心点和模型思路，完整汇报ppt获取请关注公众号回复关键字：GPT-GNNBACKGROUNDBackground1

zenRRan·2022-12-07 19:04

KDD 2016 | node2vec：Scalable Feature Learning for Networks

目录前言Abstract1.IntroductionPresentwork2.RelatedWork3.FeatureLearningFramework3.1Classicsearchstrategies3.2node2vec3.2.1RandomWalks3.2.2Searchbiasα\alphaα3.2.3Thenode2vecalgorithm3.3Learningedgefeatures

Cyril_KI·2022-12-07 10:56

数据挖掘与知识发现第一章答案

简述KDD的主要过程数据挖掘是从大量数据中通过算法搜索隐藏于其中的信息的过程知识发现：指的是从大量的数据中提取有效的、新颖的、潜在的有用的，最终可悲理解的模式的非平凡的过程。

闫婕·2022-12-06 23:10

机器学习与数据挖掘知识归纳（一）

数据源——（数据整合、准备）——整理过的数据——（数据选取与预处理）——准备好的数据——（数据挖掘）——模型——（模型评估）——专业知识1、数据准备、整合:了解KDD应用领域的有关情况，包括熟悉相关的背景知识

_TOS·2022-12-06 23:30

纯干货：大数据挖掘方法及案例介绍（以后不会再被忽悠了）