KDD2020

基于图的推荐算法(12):Handling Information Loss of Graph Neural Networks for Session-based Recommendation

前言KDD2020,针对基于会话推荐任务提出的GNN方法对已有的GNN方法的缺陷进行分析并做出改进主要针对lossysessionencoding和ineffectivelong-rangedependencycapturing
阿瑟_TJRS·2024-09-10 10:53

KDD2020最佳论文学习：On Sampled Metrics for Item Recommendation

一、简介项目推荐任务需要根据上下文对大型项目目录进行排序，使用取决于相关项目位置的排名度量指标来评估项目推荐算法。为了加快度量的计算，最近的工作经常使用抽样的度量，其中仅对较小的一组随机项和相关项进行排名。该论文对抽样指标进行了更详细的调查，结果表明它们与确切指标的性能不一致。另外，实验结果表明抽样规模越小，指标之间的差异就越小，而且对于非常小的抽样规模，所有指标都会塌陷为AUC指标。所以该论文提
python小白22·2023-11-28 02:41

草稿 Embedding-based Retrieval in Facebook Search

今天分享的是facebook发表在KDD2020上的推荐论文《Embedding-basedRetrievalinFacebookSearch》1.背景不同于传统的网络搜索，社交网络上的检索问题不仅仅关注于
Avada__Kedavra·2023-11-09 10:39

Re46：读论文 DAGNN Towards Deeper Graph Neural Networks

诸神缄默不语-个人CSDN博文目录论文名称：TowardsDeeperGraphNeuralNetworks模型简称：DAGNN本文是2020年KDD论文，下载地址是https://www.kdd.org/kdd2020
诸神缄默不语·2023-09-19 12:38

CRS(4)阅读笔记：2020KDD - Improving Conversational Recommender Systems via Knowledge Graph based Seman...

前言KDD2020基于外源KG对CRS进行的工作code:https://github.com/RUCAIBox/KGSF对话式推荐系统（CRS）旨在通过交互式对话向用户推荐高质量的物品。
阿瑟_TJRS·2023-04-01 03:29

【推荐系统】KDD2021推荐系统论文集锦

据统计，今年共有1541篇有效投稿，其中238篇论文被接收，接收率为15.44%，相比KDD2020的接收率16.8%有所下降。
风度78·2023-02-06 18:44

推荐算法最前沿|KDD2020推荐系统论文一览

作者：学派链接：https://zhuanlan.zhihu.com/p/161705748KDD（https://www.kdd.org/kdd2020/）是推荐领域一个顶级的国际会议。
文文学霸·2023-01-25 15:07

论文阅读|Embedding-based Retrieval in Facebook Search

该论文是facebook发表在KDD2020上的一篇关于搜索召回的paper。这篇文章提到的大多trick对于做过召回的同学比较熟悉了，可贵之处在于全面，包括了特征、样本、模型、全链路等各种细节知识。
凝眸伏笔·2023-01-05 00:27

一种基于时空图神经网络的出行时间估计解决方案

这是百度AI实验室发表在计算机顶级会议KDD2020上的一篇文章。2、摘要给定出发时间和路线，预估行程时间在智能交通系统中发挥着重要的作用。首先，预测的准确性和各路段中的速度密切相关。
当交通遇上机器学习·2022-12-25 08:49

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

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

（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

【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

USAD-UnSupervised Anomaly Detection on Multivariate Time Series一种基于自编码器的多元时间序列无监督异常检测

文章目录引言训练+检测架构1.输入2.两阶段的训练过程3.推理获得异常分数4.实验KDD2020年的paper，被引141次论文：UnSupervisedAnomalyDetectiononMultivariateTimeSeries
wfl6666·2022-11-26 22:21

KDD2020|阿里联合香港理工大学提出多任务多视角图表示学习框架M2GRL(已开源)

M2GRL:AMulti-taskMulti-viewGraphRepresentationLearningFrameworkforWeb-scaleRecommenderSystemsMenghanWang,YujieLin,GuliLin,KepingYang,Xiao-MingWuAlibabaGroup,HongKongPolytechnicUniversityhttps://dl.acm
frank_hetest·2022-11-13 11:02

KDD2020|阿里提出多目标优化保量算法并用于优酷视频服务平台

Multi-objectiveOptimizationforGuaranteedDeliveryinVideoServicePlatformHangLei,YinZhao,LongjunCaiAlibabaGrouphttps://dl.acm.org/doi/pdf/10.1145/3394486.3403352视频服务平台中，保量是IP视频的重要展示策略之一。跟传统的推荐策略不同，保量要求投放
frank_hetest·2022-11-13 11:02

KDD2020|淘宝推荐中的特权特征蒸馏算法PFD

PrivilegedFeaturesDistillationatTaobaoRecommendationsChenXu,QuanLi,JunfengGe,JinyangGao,XiaoyongYang,ChanghuaPei,FeiSun,JianWu,HanxiaoSun,andWenwuOuAlibabaGrouphttps://dl.acm.org/doi/pdf/10.1145/33944
frank_hetest·2022-11-13 11:32

KDD 2020 开源论文 | 图神经网络多变量时序预测

©PaperWeekly原创·作者｜马敏博学校｜西南交通大学硕士生研究方向｜命名实体识别本次分享的论文是KDD2020的一篇工作，出发点是为了更好地建模多变量时间序列数据中成对变量之间的潜在空间依赖。
PaperWeekly·2022-11-13 11:30

论文浅尝 – KDD2020 | 使用图对比编码的图神经网络预训练模型

论文笔记整理：陈名杨，浙江大学在读博士生，研究方向为知识图谱表示学习。图表示学习是一个当前关注度较高的领域，并且有许多真实的应用。然而当前的很多图表示学习方法都是对一个领域或者某一个图训练一个模型，也就是说这些训练的模型是不能迁移到领域外新的数据。这篇文章受到在NLP领域预训练工作的启发，设计了一种无监督的图对比编码（GraphContrastiveCoding，GCC）模型，来捕获不同图之间的全
开放知识图谱·2022-11-13 11:58

KDD2021推荐系统论文集锦

据统计，今年共有1541篇有效投稿，其中238篇论文被接收，接收率为15.44%，相比KDD2020的接收率16.8%有所下降。
机器学习与推荐算法·2022-10-28 10:06

【论文翻译 KDD2020】AM-GCN: Adaptive Multi-channel Graph Convolutional Networks 自适应多通道图卷积网络

文章目录摘要1引言2GCNs的融合能力：实验研究3AM-GCN3.1特定卷积模块3.2共同卷积模块4实验4.1实验设置4.2节点分类4.3变体分析4.4可视化4.5注意力机制分析4.6参数研究5相关工作6结论论文链接：AM-GCN:AdaptiveMulti-channelGraphConvolutionalNetworks论文代码：https://github.com/zhumeiqiBUPT/
林若漫空·2022-06-05 07:59

【知识图谱系列】清华大学基于对比学习的图谱预训练模型GCC

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱本文介绍一篇基于对比学习的图谱预训练模型GCC（KDD2020），介绍GCC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
CHEONG_KG·2021-05-22 09:09

【知识图谱系列】解耦Transformation和Propagation的深度图神经网络

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱本文介绍一篇解耦合Transformation和Propagation操作的自适应深度图神经网络模型DAGNN（KDD2020
CHEONG_KG·2021-05-21 15:20

推荐召回优质文章积累

千人万面，奇妙自见：爱奇艺短视频推荐技术中多兴趣召回技术的演变https://mp.weixin.qq.com/s/T2G8L820haEbvXgryvEWHg重点是用户多兴趣探索与学习KDD2020提出的兴趣聚类方法
Catherine_In_Data·2021-04-26 09:58

从200多篇顶会论文看推荐系统前沿方向与最新进展

为了更加清楚的掌握推荐系统的前沿方向与最新进展，本文整理了最近一年顶会中推荐系统相关的论文，一共涵盖SIGIR2020,KDD2020,RecSys2020,CIKM2020,AAAI2021,WSDM2021
文文学霸·2021-04-03 22:35

AAAI 2021 | 时间序列论文一览

关注微信公众号“时序人”获取更好的阅读体验时间序列学术速报AAAI2021|时间序列相关论文一览NeurIPS2020|时间序列相关论文一览ICML2020|时间序列相关论文一览KDD2020|时间序列相关论文一览会议概况
VachelHu·2021-02-03 10:02

智能运维 | 故障诊断与根因分析论文一览

关注微信公众号“时序人”获取更好的阅读体验时间序列学术前沿NeurIPS2020|时间序列相关论文一览ICML2020|时间序列相关论文一览KDD2020|时间序列相关论文一览智能运维|故障诊断与根因分析论文一览
VachelHu·2021-01-15 14:12

论文笔记之Dynamic Heterogeneous Graph Neural Network for Real-time Event Prediction

DynamicHeterogeneousGraphNeuralNetworkforReal-timeEventPrediction本文是滴滴发在KDD2020的paper。
小弦弦喵喵喵·2020-10-09 22:53

KDD 2020 | 多任务保量优化算法在优酷视频场景的实践

导读：今天分享一下阿里优酷视频在KDD2020上的一篇关于新热视频保量分发上的实践，建立了新热内容曝光敏感模型并给出了一种多目标优化保量的算法，推荐工业界实战干货论文，值得细读。
文文学霸·2020-09-17 03:03

Disentangled Self-Supervision in Sequential Recommenders（KDD‘20）论文小结

Intro《DisentangledSelf-SupervisioninSequentialRecommenders》是清华大学崔鹏老师和阿里巴巴杨红霞合作发表在KDD2020上的论文，该论文的最大亮点就是
Marcus-Bao·2020-09-17 02:44

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）。
人工智能与算法学习·2020-09-14 03:56

混合时空图卷积网络：更精准的时空预测模型 | KDD2020

2020-06-2720:13:03本文解读的是KDD2020论文《HybridSpatio-TemporalGraphConvolutionalNetwork:ImprovingTrafficPredictionwithNavigationData
喜欢打酱油的老鸟·2020-09-14 03:56

直播预告：KDD 2020 顶会论文分享 | AI TIME PhD

8月26日晚7-9点，AITime联合清华大学计算机系、阿里巴巴，邀请6位讲者，齐聚分享KDD2020！
AITIME论道·2020-09-14 03:43

专访：经历了时间检验的不仅是论文，还有唐杰自己 | SIGKDD 2020时间检验奖

KDD2020即将在8月23-27日召开。
BAAIBeijing·2020-09-10 09:32

KGSF：通过基于语义融合的知识图谱来改善会话推荐系统 KDD2020

论文链接：https://arxiv.org/pdf/2007.04032.pdf代码链接：https://github.com/RUCAIBox/KGSF1、摘要会话推荐系统（CRS）旨在通过交互式对话向用户推荐高质量的项目。尽管已为CRS做出了一些努力，但仍有两个主要问题有待解决。首先，对话数据本身缺少足够的上下文信息，无法准确地了解用户的偏好。第二，自然语言表达与项目级用户偏好之间存在语义鸿
BUAA～冬之恋·2020-08-23 22:09

【论文导读】KDD2020｜阿里团队最新的多元兴趣推荐模型---ComiRec

前言本次分享一篇2020年阿里团队发表在KDD的文章“ControllableMulti-InterestFrameworkforRecommendation”。本篇文章提出的模型ComiRec是基于推荐系统中匹配/召回的方法，且是一个序列化推荐的解决方案。由于是当前最新的序列化推荐匹配模型，因此会详细的介绍其背景、方法与实验。本文约4.5k字，预计阅读15分钟。1.研究背景1、对于工业界的推荐系
Blank_spaces·2020-08-23 22:12

KDD2020 Autograph比赛总结

研一下学期和组内同学一同参加了KDDAutograph2020的比赛，最后也拿到了第二名的成绩，下面对本次比赛做个总结。PASA_NJU代码总结github代码使用GraphNas对数据集搜索最优网络模型。(引自GaoY,YangH,ZhangP,etal.Graphnas:Graphneuralarchitecturesearchwithreinforcementlearning[J].arXi
Mecthew·2020-08-23 11:25

内容流量管理的关键技术：多任务保量优化算法实践

作者|阿里文娱高级算法工程师雷航责编|李雪敬头图|CSDN下载自视觉中国本文章已被KDD2020录用：HangLei,YinZhao,andLongjunCai.2020.Multi-objectiveOptimizationforGuaranteedDeliveryinVideoServicePlatform.InProceedingsofthe26thACMSIGKDDConferenceon
CSDN资讯·2020-08-19 23:25

【KDD 2020】推荐系统领域论文汇总

阅读大概需要9分钟Follow小博主，每天更新前沿干货【导读】本文为大家收集整理了KDD2020会议上推荐系统方面的一些论文汇总。
深度学习技术前沿·2020-08-17 17:41

KDD2020接受论文列表已公开！338篇优秀论文汇总！

阅读大概需要3分钟Follow小博主，每天更新前沿干货KDD2020官方今日发布接收论文，共有1279篇论文提交到ResearchTrack，共有216篇接受，接受率16.8%。
深度学习技术前沿·2020-08-11 10:56

高德KDD2020论文解读|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
amap_tech·2020-08-07 23:30

KDD2020 | 揭秘Facebook搜索中的语义检索技术

星标/置顶小屋，带你解锁最萌最前沿的NLP、搜索与推荐技术文|江城编|可盐可甜兔子酱导读：今天分享一下Facebook发表在KDD2020的一篇关于社交网络搜索中的embedding检索问题的工作，干货很多
夕小瑶·2020-08-06 13:45

GCC：使用图对比编码的图神经网络预训练模型 KDD2020

论文链接：https://arxiv.org/abs/2006.09963论文来源：KDD2020摘要图表示学习已经成为解决现实问题的一种强大的技术。
BUAA～冬之恋·2020-08-05 11:28

KDD2020推荐系统论文聚焦

前言ACMSIGKDD（国际数据挖掘与知识发现大会，简称KDD）是数据挖掘领域的最高级别的学术会议，由ACM的数据挖掘及知识发现专委会（SIGKDD）主办，是CCFA类会议。其中今年的ResearchTrack接受率为216/1279=16.8%。推荐系统论文列表这次整理的推荐系统论文列表分为了ResearchTrack和AppliedDataScienceTrack，即面向研究型的学术论文和面向
机器学习与推荐算法·2020-08-03 08:34

KDD 2020 GNN 相关论文

转载：专知近期必读的五篇KDD2020【图神经网络(GNN)】相关论文_Part2ACMSIGKDD（国际数据挖掘与知识发现大会，简称KDD）。
避暑客·2020-07-12 19:15

KDD2020 | 混合时空图卷积网络：更精准的时空预测模型

来源：新智元本文约5000字，建议阅读10+分钟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。[导读]时空预测在天气预报、运输规划等领域有着重要的应用价值。交通预测作为一种典型的时空预测问题，具有较高的挑战性。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
数据派THU·2020-07-12 00:30

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）。
AI蜗牛车·2020-07-05 04:09

认知智能再突破，阿里 18 篇论文入选 AI 顶会 KDD

作者|马超责编|屠敏头图|CSDN下载自东方IC出品|CSDN（ID：CSDNnews）近日，国际知识发现与数据挖掘协会KDD在官网(https://www.kdd.org/kdd2020)公布其2020
AI科技大本营·2020-06-23 02:46

提士气，阿里18篇论文入选AI顶会KDD

近日，国际知识发现与数据挖掘协会KDD在官网(https://www.kdd.org/kdd2020)公布其2020年度的论文收录结果，笔者看到阿里共有18篇论文入选，这个入选论文数量刷新国内企业记录，
beyondma·2020-06-20 21:13
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他