8月26日晚7-9點，AI Time聯合清華大學計算機系、阿里巴巴，邀請6位講者，齊聚分享KDD2020！網絡
掃碼或點擊連接dom
關注AITIME嗶哩嗶哩官方帳號機器學習
觀看直播ide
連接：https://live.bilibili.com/21813994svg
何玥，清華大學計算機科學與技術系、多媒體與⽹絡實驗室、二年級博士生。主要研究方向爲：因果挖掘、穩定學習和圖計算。已在KDD、IJCAI等會議上發表多篇論文。
Learning Stable Graphs from Multiple Environments with Selection Bias
摘要：圖能夠用來描述事物之間的廣泛關係，並把它們編碼在參數化的圖結構裏。基於數據驅動的算法嚴重依賴數據的條件獨立性假設，一旦獨立性假設遭到破壞，圖的表現性能就會大打折扣。然而獨立性假設在現實中是十分脆弱的，數據採樣的過程也必定存在時間和空間的侷限性。如何提高圖結構的泛化性能是很是有實踐意義的。然而，圖結構中包含複雜的高階和非線性關係，直接在原始圖結構空間（如鄰接矩陣）修正誤差是很困難的，並且用於生成圖結構的輸入數據（如集合類型）是高維稀疏的。爲了學習穩定的通常性圖結構，本文提出了一種從多異質環境中學習穩定圖結構的方法SGL。
論文連接：
https://www.aminer.cn/pub/5f03f3b611dc83056223200d?conf=kdd2020
馬堅鑫，現就任於阿里巴巴，主要工做內容爲推薦系統相關的算法研發和應用研究，落地場景爲手機淘寶的推薦系統。在加入阿里巴巴以前，他於2017年、2020年分別獲清華大學計算機系學士和碩士學位。他的主要研究興趣爲用戶行爲數據、圖結構數據上的機器學習與表徵學習，並關注在推薦系統、認知智能等方面的應用前景。他已在ICML、NeurIPS、ICLR、KDD、AAAI等國際頂級會議上發表多篇相關的學術論文。
Self-supervised and Contrastive Learning in Recommender Systems
摘要：本次報告，他將介紹阿里巴巴手機淘寶推薦系統近期的一些進展，主要內容是將最近在預訓練（pre-training）領域新興的自監督學習（self-supervised learning）、對比學習（contrastive learning）引入推薦系統的召回環節。推薦系統常常會由於過度重視短時間收益而面臨馬太效應嚴重、多樣性貧乏等問題。他將指出自監督學習可用於緩解推薦算法的短視問題，以及指出對比學習在理論上和消除推薦系統的選擇性誤差有着等價的關係。
論文連接：
https://aminer.cn/pub/5f03f3b611dc830562231fce?conf=kdd2020
岑宇闊，清華大學計算機系碩士生，導師爲唐傑教授。科研經歷包括：可調控的多興趣推薦框架、多視圖異構網絡表示學習、電商場景中的信任關係學習。已在KDD、TKDE等會議上發表多篇論文。
Controllable Multi-Interest Framework for Recommendation
摘要：神經網絡模型目前已經被普遍地應用於各類推薦系統中。這些基於神經網絡的推薦算法一般只會從用戶的行爲序列中學習到一個用戶表徵向量，可是這個統一的表徵向量每每沒法反映用戶在一段時期內的多種不一樣的興趣。咱們提出了一種可調控的多興趣推薦框架來解決這種情形。多興趣抽取模塊會從用戶的點擊序列中捕獲到用戶多種不一樣的興趣，而後能夠用於召回各個興趣對應的商品。聚合模塊會將這些不一樣興趣召回的商品整合起來做爲推薦的候選商品，供下游的任務來使用。
論文連接：
https://aminer.cn/pub/5ec48cc4da5629efe0884e02?conf=kdd2020
裘捷中，清華大學計算機科學與技術系五年級博士生，導師爲唐傑教授。研究興趣主要包括圖數據的算法設計和表示學習。他關於圖表示學習的工做是WSDM‘18引用量最高的論文。
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training
摘要：圖表示學習目前受到了普遍關注，但目前絕大多數的圖表示學習方法都是針對特定領域的圖進行學習和建模，所產出的圖神經網絡難以遷移。近期，預訓練在多個領域都取得了巨大的成功，顯著地提高了模型在各大下游任務的表現。受到BERT，MoCo，CPC等工做的啓發，咱們研究了圖神經網絡的預訓練，但願可以從中學習到通用的圖拓撲結構特徵。咱們提出了圖對比編碼（Graph Contrastive Coding）的圖神經網絡預訓練框架，利用對比學習（Contrastive Learning）的方法學習到內在的可遷移的圖結構信息。本工做GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training已被KDD 2020 research track錄用。
論文連接：
https://aminer.cn/pub/5f03f3b611dc830562231fe7?conf=kdd2020
楊珍，本科畢業於西安電子科技大學，後被保送至清華大學微納電子系攻讀碩士學位。目前在清華大學KEG實驗室從事圖表示學習中負採樣的理解與研究。
Understanding Negative Sampling in Graph Representation Learning
摘要：圖表示學習近年來獲得了普遍的研究。儘管它在爲各類網絡生成連續向量表示方面具備潛力，可是在向大規 模語料庫推斷高質量向量表示的有效性和效率方面仍然具備挑戰性。現有的技術一般側重於對正節點對進行採樣， 而對負採樣策略的研究還不夠。此項工做研究了負採樣對圖表示學習的影響，從理論上分析了負採樣對優化目標 和減少估計方差的重要性，並得出負採樣分佈應該與正採樣分佈呈次線性相關的結論。受理論啓發，咱們提出了 馬爾可夫鏈蒙特卡羅負採樣策略(MCNS)，用自對比近似逼近正分佈，並用 Metropolis-Hastings 加速負採樣。最後，咱們在 5 個數據集上評估了咱們的 MCNS，這些數據集涵蓋了普遍的下游圖學習任務，包括鏈路預測、節 點分類和個性化推薦，總共 19 個實驗設置。大量實驗代表，不管採用何種圖表示學習方法，MCNS 都優於其餘 8 種負採樣策略，從而證實了它的魯棒性和優越性。
論文連接：
https://aminer.cn/pub/5ec7a32791e0118397f3ec20?conf=kdd2020
張聖宇，浙江大學計算機科學與技術系二年級博士生，導師爲吳飛老師。研究興趣包括多模態理解，推薦系統和穩定學習。在KDD和ACM MM上發表多篇論文。
摘要：咱們針對電子商務用戶生成視頻理解問題提出基於圖神經網絡的多源異構信息建模框 架 Gavotte，該框架可以挖掘、對齊和整合源異構信息中的商品相關細粒度信息，如挖 掘商品部位級別、商品總體級別、視頻幀級別(商品與背景)和視頻級別(故事線主 題)多層信息，以及捕捉視頻中商品部位動態變化，全面理解商品視頻。咱們將該模 型成功應用到了電子商務用戶生成視頻標題生成任務中， 電子商務平臺(如淘寶)產生了大量用戶生成視頻，這些視頻缺乏高質的視頻標題， 這下降了這些視頻在視頻推薦過程的獲客能力。針對電子商務用戶生成視頻標題生成 問題，Gavotte 在 CIDEr 指標相比 Transformer-based Video Caption SOTA 顯著提高 15.14%，相比 RNN-based SOTA 顯著提高 8.26%。
論文連接：
https://aminer.cn/pub/5f03f3b611dc83056223208b?conf=kdd2020
直播結束後咱們會邀請講者在微信羣中與你們答疑交流，請添加「AI TIME小助手（微信號：AITIME_HY）」,回覆「KDD」，將拉您進「KDD 2020 交流羣」！
主 辦：AI TIME、清華大學計算機系、阿里巴巴
聯合支持：中國工程院知領直播、學堂在線、CSDN
公益合做：智譜·AI、學術頭條、biendata、大數據文摘、數據派、AI科技評論、 Ever鏈動、機器學習算法與天然語言處理
點擊「閱讀原文」可查看'AMiner-KDD2020 」
AI Time歡迎AI領域學者投稿，期待你們剖析學科歷史發展和前沿技術。針對熱門話題，咱們將邀請專家一塊兒論道。同時，咱們也長期招募優質的撰稿人，頂級的平臺須要頂級的你，請將簡歷等信息發至yun.he@aminer.cn！
微信聯繫:AITIME_HY
AI Time是清華大學計算機系一羣關注人工智能發展，並有思想情懷的青年學者們創辦的圈子,旨在發揚科學思辨精神，邀請各界人士對人工智能理論、算法、場景、應用的本質問題進行探索，增強思想碰撞，打造一個知識分享的彙集地。
本文分享自微信公衆號 - AI TIME 論道（lundaoAI）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。
