AMiner会议论文推荐第六十八期

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

WWW 2021 论文推荐

Improving Text Encoder via Graph Neural Network in Sponsored Search（通过图谱神经网络改进赞助商搜索中的文本编码器）

论文链接：https://www.aminer.cn/pub/60641c189e795e72406b65ab/?conf=www2021

推荐理由： 基于C-DSSM或变换器的文本编码器在许多自然语言处理（Natural Language Processing, NLP）任务中表现出了强大的性能。近年来，这些模型的低延迟变体也被开发出来，以便将其应用于有严格计算限制的赞助搜索领域。然而，这些模型并不是解决所有自然语言理解（Natural Language Understanding, NLU）挑战的灵丹妙药，因为数据中的纯语义信息不足以完全识别用户意图。作者提出了TextGNN模型，该模型在强双塔结构化编码器的基础上，自然扩展了用户历史行为的补充图信息，以更好地理解意图，生成更好的语言表达。该模型继承了C-DSSM和TwinBERT等双塔模型的所有优点，在离线评估和在线生产系统中，该模型仍然可以在低延迟环境中使用。同时，它较只使用强编码器的对应基线模型有显著的性能提升。

Constructing a Comparison-based Click Model for Web Search（构建基于比较的网络搜索点击模型）

论文链接：https://www.aminer.cn/pub/605ae4159e795e05e0f3d928/?conf=www2021

推荐理由： 从用户行为日志中提取有价值的反馈信息是网络搜索研究的重要关注点之一。在通过用户行为建模来提高搜索性能的研究中，构建点击模型具有至关重要的意义，因为它可以直接估计结果的相关性。现有的点击模型大多假设用户是否点击结果只取决于检查概率和结果的内容。然而，通过精心设计的用户眼球追踪研究，作者发现，用户并不是孤立地做出点击决策。相反，他们还会考虑一个结果的上下文（例如，相邻的结果）。因此，该工作设计了一个新颖的点击模型，命名为基于比较的点击模型（Comparison-based Click Model, CBCM）。与传统的考察假设不同，CBCM引入了考察视口的概念，并假设用户在同一视口内比较相邻结果后点击结果。作者在一个公开的用户行为数据集上的实验结果证明了CBCM的有效性。

Outlier-Resilient Web Service QoS Prediction（异常点弹性网络服务QoS预测）

论文链接：https://www.aminer.cn/pub/60641d189e795e72406b662c/?conf=www2021

推荐理由： 网络服务的激增使得用户很难在众多功能相同或相似的候选服务中选择最合适的服务。服务质量（Quality-of-Service，QoS）描述了Web服务的非功能特性，它已经成为服务选择的关键区分因素。然而，由于时间成本高，资源开销巨大，用户无法调用所有的Web服务来获得相应的QoS值。虽然QoS预测方法已经被提出，但其中少有考虑到异常值的方法，这可能会极大地降低预测性能。为了克服这一限制，作者在本文中提出了一种抗离群值的QoS预测方法。该方法利用Cauchy loss来衡量观察到的QoS值与预测值之间的差异。同时，该工作进一步扩展了上述方法，通过考虑时间信息来提供时间感知的QoS预测结果。

AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/

#AMiner# #论文#