KDD2018

Facebook OCR识别工作：Rosetta

本篇介绍的是FaceBook在KDD2018上公开的一篇关于工业级应用OCR系统，名字叫Rosetta.FaceBook用这个系统用来处理Facebook社交网络上的数亿张图像，提取文字信息，为下游任务提供大量数字化资源

飞姐的分享·2023-10-28 11:52

KDD2018精选（1）赢家诅咒：AB测试的特征偏误估计

Winner’sCurse:BiasEstimationforTotalEffectsofFeaturesinOnlineControlledExperiments作者来自爱彼迎关键词：在线测试；A/B测试；偏误修正;多假设检验1.引言AB测试是检验线上产品的重要手段，同时提供了大量因果性数据。归因分析被用于识别和量化用户对产品改进的反应过程。当衡量具体改进对总体ROI的效用时，误差通常会发生正向

曹今可·2023-10-10 17:51

KDD2018精选（3）用引导特征反演解释基于DNN的预测

1.原文：TowardsExplanationofDNN-basedPredictionwithGuidedFeatureInversion作者来自德州农机大学关键词：机器学习解释；深度学习；中间层；引导特征反演1.1引言DNN通常可解释性不高且易受原始数据偏误影响，提高模型可解释性可优化上述两个问题。模型层面通常解释一组神经元的行为，实例层面通常解释一组数据的特征，后者比前者直观。传统实例层面通

曹今可·2023-08-19 14:24

【语义分割】Smoothed Dilated Convolutions for Improved Dense Prediction阅读笔记

论文地址：https://arxiv.org/abs/1808.08931或：https://www.kdd.org/kdd2018/accepted-papers/view/smoothed-dilated-convolutions-for-improved-dense-prediction

会意·2023-04-07 13:05

论文笔记 | KDD2018 | Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Ex...

mmoe-title.jpg论文地址：https://www.kdd.org/kdd2018/accepted-papers/view/modeling-task-relationships-in-multi-task-learning-with-multi-gate-mixture

ktulu7·2023-03-16 01:14

Leveraging Meta-path based Context for Top-N Recommendation with A Neural Co-Attention Model

KDD2018,August19-23,2018,London,UnitedKingdomGithub:https://github.com/librahu/MCRec本文使用异构信息网络中基于上下文的元路径和共同关注机制的神经网络模型建立推荐系统

懿想天开_·2023-03-10 12:50

graph embedding 第二篇 node2vec and sdne

参考graphembedding深度学习中不得不学的GraphEmbedding方法Embedding从入门到专家必读的十篇论文DNN论文分享-Item2vec从KDD2018最佳论文

一只小菜狗:D·2023-01-06 17:13

工业界推荐_Industrial RS(1)

笃℃·2023-01-06 09:18

MMOE 【Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts】阅读

发于2018年，论文地址：KDD2018|ModelingTaskRelationshipsinMulti-taskLearningwithMulti-gateMixture-of-Expertsgithub

一杯敬朝阳一杯敬月光·2022-12-23 08:12

【论文笔记】Modeling Task Relationships in Multi-task Learning withMulti-gate Mixture-of-Experts

论文论文题目：ModelingTaskRelationshipsinMulti-taskLearningwithMulti-gateMixture-of-Experts收录于：KDD2018论文地址：ModelingTaskRelationshipsinMulti-taskLearningwithMulti-gateMixture-of-Experts

m0_61899108·2022-12-23 08:40

#Paper Reading#Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts

id=3220007论文发表于:KDD2018（CCFA类会议）论文大体内容：本文主要提出了Multi-gateMixture-of-Experts（MMoE）的

John159151·2022-12-23 08:05

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

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

DIN：使用Attention挖掘历史数据的深度兴趣网络

DIN要解决的问题DIN(DeepInterestNetwork)是阿里巴巴用于解决工业级CTR预估问题的预测模型，论文收录于KDD2018。

唐犁·2022-11-27 05:15

EANN：多模态假新闻检测的事件对抗神经网络

EventAdversarialNeuralNetworksforMulti-ModalFakeNewsDetection论文链接：https://dl.acm.org/doi/abs/10.1145/3219819.3219903论文来源：KDD2018

酷酷的群·2021-12-07 11:48

graph embedding第一篇——deepwalk and line

模型优化边采样其他问题低度数顶点新加入顶点参考graphembedding深度学习中不得不学的GraphEmbedding方法Embedding从入门到专家必读的十篇论文DNN论文分享-Item2vec从KDD2018

一只小菜狗:D·2021-12-01 17:59

基于图的推荐算法(4): Graph Convolutional Matrix Completion

前言发表在KDD2018的基于GNN思想进行协同过滤的算法原文链接作者来自提出GCN的团队摘要针对用户-物品交互二部图，文中从链路预测的角度考虑了推荐系统的矩阵填充问题。

阿瑟_TJRS·2021-06-27 12:55

智能运维 | 故障诊断与根因分析论文一览

VachelHu·2021-01-15 14:12

【CTR预估】 xDeepFM模型

xDeepFM模型看作者邮箱应该中科大、北邮、微软合作发表的，发表在kdd2018。

DivinerShi·2020-09-14 04:23

阿里深度兴趣网络：Deep Interest network(DIN)

DIN(深度兴趣网络)是阿里在KDD2018提出的一种有效的用于CTR、个性化推荐的深度学习模型。其效果已经在阿里的电商平台得到了验证。优秀的文章需要学习记录。

Tonywu2018·2020-09-12 19:45

滴滴KDD2018：强化学习派单

白话解读离线learning部分本质上是将任意时刻任意空间位置离散化为时空网格，根据派单记录（含参加调度但无单的司机）计算该时空网格到当天结束时刻的预期收入。关键问题：怎么计算预期收入？动态规划思路：假设总共有时刻区间为[0,T)；先计算T-1时刻的所有网格的预期收入（此时未来收入为0，只有当前收入），其本质就是计算当前收入的均值；然后计算T-2时刻的所有网格的预期收入；...；以此类推这样的话，

丹追兵·2020-08-24 14:50

【论文导读】KDD2018｜xDeepFM---采用显式的高阶特征交互网络CIN

前言xDeepFM（eXtremeDeepFactorizationMachine）模型是2018年由中科大、北邮、微软研究院在KDD上联合提出的模型（论文：“xDeepFM:CombiningExplicitandImplicitFeatureInteractionsforRecommenderSystems”）。该模型「最主要的贡献」就是提出了CIN（CompressedInteraction

Blank_spaces·2020-08-23 23:34

KDD2018精选（4）有监督矩阵完备化的主动特征获取

1.原文：ActiveFeatureAcquisitionwithSupervisedMatrixCompletion作者来自南航、理研和东大关键词：主动学习，特征获取，矩阵完备化1.1引言在数据挖掘和机器学习任务中，一组数据对象通常表示为特征矩阵，其中每行是一个对象，每列是特征的一个维度。如果特征值严重缺失，在该数据集上训练的分类模型的性能将显著退化。矩阵完备化将是用于恢复特征矩阵的缺失条目的有

曹今可·2020-08-21 06:55

KDD2018数据流论文HeavyGuardian: Separate and Guard Hot Items in Data Streams

在kdd2018接受论文中看到了PKU，就果断选择了这一篇嘻嘻。

玛卡巴卡米卡巴卡·2020-08-20 01:23

xDeepFM论文解读(KDD2018)

xDeepFM:CombiningExplicitandImplicitFeatureInteractionsforRecommenderSystems引言(ABSTRACT)组合特征对与许多商业模型的成功都至关重要。受网络获取的原始数据的种类、容量和提取速度等限制，手工提取特征往往花费较大的代价。随着深度学习的兴起，最近研究者们提出了许多基于DNN的因子分解模型来学习高阶和低阶的交互特征。现在诸

yfreedomliTHU·2020-08-03 09:28

【论文解读 KDD 2018 | HEER】Easing Embedding Learning by Comprehensive Transcription of HIN

论文链接：https://dl.acm.org/doi/10.1145/3219819.3220006代码链接：https://github.com/GentleZhu/HEER会议：KDD2018目录

byn12345·2020-08-02 23:54

【论文解读 KDD 2018 | EANN】Event Adversarial Neural Networks for Multi-Modal Fake News Detection

论文题目：EANN:EventAdversarialNeuralNetworksforMulti-ModalFakeNewsDetection论文来源：KDD2018论文链接：https://doi.org

byn12345·2020-08-02 20:10

图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018

本文的三位作者来自华盛顿州立大学，同之前的几篇论文一样，本文也是旨在解决如何在非欧的graph中获得适用于广义卷积的子图结构，并提出模型learnablegraphconvolutionallayer(LGCL)。LGCL根据值的排序，为每个特征自动选择固定数量的相邻节点，将图形数据转换成一维格式的网格状结构（在节点邻域矩阵上执行最大池化，得到top-k特征元素），从而可以对泛型图进行常规的卷积操

五月的echo·2020-08-02 13:35

深度CTR之Graph Embedding：阿里电商推荐中亿级商品的Graph Embedding

介绍阿里巴巴团队发表于KDD2018，文章题目-《AttentionalFactorizationMachines：LearningtheWeightofFeatureInteractionsviaAttentionNetworks

看穿数据之美·2020-07-28 04:37

使用pyspark 进行向量计算

最近根据Airbnb在KDD2018的bestpaper《Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnb》做实时推荐的项目

htbeker·2020-07-11 07:59

HEER-Easing Embedding Learning by Comprehensive Transcription of Heterogeneous Information Networks

来源：KDD2018原文：HEERcode：https://github.com/GentleZhu/HEER注：若有错误，欢迎指正这篇KDD’18的文章，没有按照常规的方法将所有的node嵌入到同一的空间

akufr2065·2020-07-11 01:40

时间序列数据挖掘--机器学习+统计学方法+kdd论文（一）

我大致看了kdd2017和kdd2018的论文，发现和时间序列

玛卡巴卡米卡巴卡·2020-07-08 07:52

KDD_2018_notes Smoothed Dilated Convolutions for Improved Dense Prediction

先从KDD2018入手。本文要介绍的是一个空洞卷积(DilatedConvolutions)的改进方法。

lirt15·2020-07-07 13:15

图结构数据上的对抗训练方法

今天我们介绍两篇题目非常相似的文章，分别发表于ICML2018和KDD2018。Dai,Hanjun,Hu

paper_reader·2020-07-06 17:25

【论文解读 KDD 2018 | PME】PME: Projected Metric Embedding on Heterogeneous Networks for Link Prediction

net.pku.edu.cn/daim/hongzhi.yin/papers/KDD18-Hongxu.pdf代码链接：https://sites.google.com/view/hongxuchen会议：KDD2018

byn12345·2020-07-01 19:27

[PinSage] Graph Convolutional Neural Networks for Web-Scale Recommender Systems 论文详解KDD2018

文章目录摘要1简介1.1背景介绍1.2推荐系统评测指标1.3在可扩展性的研究1.4创新2相关研究3方法3.1ProblemSetup3.2ModelArchitecturePinSage算法Forwardpropagationalgorithm（局部卷积）Importance-basedneighborhood（如何采样）3.3ModelTraining模型训练Lossfunction损失函数Mu

yyl424525·2020-06-30 11:44

KDD 2018 | 最佳论文：首个面向Facebook、arXiv网络图类的对抗攻击研究

8月19日至23日，数据挖掘顶会KDD2018在英国伦敦举行，昨日大会公布了最佳论文等奖项。

weixin_30399821·2020-06-27 19:50

多任务学习模型详解：Multi-gate Mixture-of-Experts（MMoE ，Google，KDD2018）

原文地址：多任务学习模型详解：Multi-gateMixture-of-Experts（MMoE，Google，KDD2018），首发微信公众号，现在转到CSDN上~欢迎关注我的公众号，微信搜algorithm_Tian

ty44111144ty·2020-06-26 21:16

图神经网络用于推荐系统问题（PinSage，EGES，SR-GNN）

PinSage和EGES都是很好的落地实践方法，首先来看一下对于user-item二部图的一般处理方法：GCMC-GraphConvolutionalMatrixCompletion发表在KDD2018

上杉翔二·2020-06-25 16:37

各大人工智能顶会近三年的paper网址

PaperListSigKDD2018:http://www.kdd.org/kdd2018/accepted-papers2017:http://www.kdd.org/kdd2017/accepted-papers2016

心之所向丶7·2020-06-23 20:27

KDD2018|基于GBM的动态定价回归模型

CustomizedRegressionModelforAirbnbDynamicPricingPengYe,JulianQian,JieyingChen,Chen-hungWu,YitongZhou,SpencerDeMars,FrankYang,LiZhangAirbnb,AntFinancial,Impirahttp://delivery.acm.org/10.1145/3220000/32

frank_hetest·2020-06-23 14:03

KDD2018|超越deepfm的CTR预估模型深层兴趣网络DIN(已开源)

DeepInterestNetworkforClick-ThroughRatePredictionGuoruiZhou,ChengruSong,XiaoqiangZhuYingFan,HanZhu,XiaoMa,YanghuiYan,JunqiJin,HanLi,KunGaiAlibabaGroupKDD2018https://arxiv.org/pdf/1706.06978.pdf点击率预估在工

frank_hetest·2020-06-23 14:03

【论文解读 KDD 2018 | PinSage】Graph Convolutional Neural Networks for Web-Scale Recommender Systems

论文链接：https://arxiv.org/abs/1806.01973论文来源：KDD2018斯坦福大学,Pinterest关键词：GCN，推荐系统，web-scale，PinSage本文在GraphSAGE

byn12345·2020-06-22 19:46

review for STAMP: Short-Term Atention/Memory Priority Model for Session-based Recommendation

MemoryPriorityModelforSession-basedRecommendation基本介绍主要贡献/创新点相关工作Model实验总结基本介绍本文的作者是QiaoLiu等人，来自成都电子科技大学，该文发表于KDD2018

DebonairLi·2020-06-21 19:20

腾讯医疗AI实验室：3篇论文被国际顶尖会议收录

近日，腾讯在医疗AI领域的学术研究获得实质性进展，旗下医疗AI实验室共有3篇论文分别被KDD2018、SIGIR2018、COLING2018三个国际顶尖学术会议收录，论文的主要研究方向为医疗知识图谱中实体关系的发现和应用

PaperWeekly·2020-06-21 00:09

论文笔记 | KDD2018 | Deep Interest Network for Click-Through Rate Prediction

din-title.jpg论文地址：https://arxiv.org/abs/1706.06978官方代码：https://github.com/zhougr1993/DeepInterestNetwork一为什么读这篇几乎是在公司看到出现频率最高的工作，到处都有提及，各个业务方向都有研究，可见是有真正影响力的。通过从原文出发，看看到底应该怎么玩DIN。本篇也是读的第一篇集团的工作。二截止阅读时

ktulu7·2020-02-19 06:46

GeniePath：自适应感受路径的图神经网络

GeniePath，蚂蚁金服发表于KDD2018，一种可扩展的能够学习自适应感受路径的图神经网络框架。定义在具有排列不变性的图数据上（permutationinvariantgraphdata）。

shawnwang_tech·2019-12-30 02:27

从KDD 2018 Best Paper看Airbnb实时搜索排序中的Embedding技巧

这里是「王喆的机器学习笔记」的第七篇文章，今天我们聊一聊KDD2018的BestPaper，Airbnb的一篇极具工程实践价值的文章Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnb

王喆的机器学习笔记·2019-12-27 15:52

推荐频道