AMiner会议论文推荐第七十期

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

Enquire One’s Parent and Child Before Decision: Fully Exploit Hierarchical Structure for Self-Supervised Taxonomy Expansion（决策前询问自己的父母和子女：充分利用分层结构进行自我监督的分类法扩展）

论文链接：https://www.aminer.cn/pub/6012907c91e011b3f52c1445/?conf=www2021

推荐理由： 分类法是一种分层结构的知识图，在机器智能中起着至关重要的作用。分类法扩展任务旨在为现有分类法中的新术语找到一个位置，以捕捉世界上新出现的知识并保持分类法的动态更新。以前的分类法扩展方案忽略了层次结构带来的有价值的信息，仅仅评估了一个新增边缘的正确性，从而将问题降级为节点对评分或小型路径分类。在本文中，作者提出了层次结构扩展框架（HEF），它充分地利用了层次结构的特性，使扩展的分类法的一致性最大化。HEF在多个方面利用了分类学的层次结构。i）HEF利用包含最相关节点的子树作为自我监督数据，对亲属和兄弟姐妹关系进行完整的比较；ii）HEF采用一致性建模模块，通过整合超nymy关系检测和几个树的专属特征来评估分类学子树的一致性；iii）HEF引入了位置选择的Fitting Score，明确评估路径和层次选择，并充分利用亲属关系来交换信息，进行消歧义和自我修正。广泛的实验表明，通过更好地利用层次结构和优化分类法的一致性，HEF在三个基准数据集上大大超过了之前的最先进水平，平均准确率提高了46.7%，平均互换等级提高了32.3%。

Unifying Offline Causal Inference and Online Bandit Learning for Data Driven Decision（统一离线因果推理和在线强盗学习的数据驱动决策）

论文链接：https://www.aminer.cn/pub/60641ce99e795e72406b6615/?conf=www2021

推荐理由： 对于拥有大量记录数据的公司来说，一个基本问题是如何将这些记录的数据与传入的流媒体数据一起使用，以做出好的决策。目前，许多公司通过在线A/B测试来做决策，但测试期间的错误决策会伤害用户的体验，造成不可逆转的损失。一个典型的替代方法是离线因果推理，它单独分析记录的数据来做决策。然而，这些决策对新传入的数据没有适应性，错误的决策会不断伤害用户的体验。为了克服上述限制，作者提出了一个框架来统一离线因果推理算法（如加权、匹配）和在线学习算法（如UCB、LinUCB）。该工作提出了新的算法，并通过 "遗憾 "的概念推导出决策准确性的界限，为基于森林的在线强盗算法推导出了第一个遗憾上限。在两个真实数据集上的实验表明，该算法优于其他只使用记录数据或在线反馈的算法，或不正确使用数据的算法。

Session-aware Linear Item-Item Models for Session-based Recommendation（基于会话感知的线性项目-项目模型的推荐）

论文链接：https://www.aminer.cn/pub/60641c8f9e795e72406b65e7/?conf=www2021

推荐理由： 基于会话的推荐旨在根据会话中先前消费的项目序列预测下一个项目，例如，电子商务或多媒体流媒体服务中。具体来说，会话数据表现出一些独特的特征，即会话的一致性和会话中项目的顺序依赖性、重复的项目消费以及会话的及时性。在本文中，作者提出了简单而有效的线性模型来考虑会话的整体方面。该模型的全面性有助于提高基于会话的推荐的质量。更重要的是，它为反映会话数据的不同角度提供了一个通用的框架。此外，由于模型可以利用闭合形式的解决方案，它们具有高度的可扩展性。实验结果表明，在几个真实世界的数据集上，所提出的线性模型在各种指标上表现出竞争性或最先进的性能。

AMiner，AI赋能的学术搜索平台：https://www.aminer.cn/

#AMiner# #论文#