【NeurIPS100】AMiner參會攻略：13000人的NeurIPS大會，如何參加更高效？
NeurIPS100計劃是AMiner新推出的一個針對頂會人才和頂會論文的平臺化的智能挖掘服務，其目的是對每個頂級會議的100位作者和講者（人才）進行深度洞察，分析作者之間的關聯關係，形成的研究派系、作者的成長路徑以及未來的成長脈絡預測、跳槽指數等；另外，我們還將針對會議高影響力的100篇重要論文進行深入解讀。
NeurIPS 2019日前開幕，作爲機器學習領域的頂會之一，每年都是大牛雲集、人山人海。
而今年的參會人數更是達到了13000人，先來張現場圖感受下，真的是人氣爆棚。
如此之多的參會人數，再加上如此之多的論文，如何高效地從會議中獲取有效信息成爲了一個大難題。
• 一萬多參會者中，如何找到的心儀導師或合作者？
• 上百個session中，如何聆聽有價值的報告？
• 上千篇論文中，如何找到自己感興趣的成果？
• 上千名作者中，誰是領域內的專家和新星？
• 上百個技術領域中，他們的關係是什麼？
• 我發表了/看到了一篇好論文，如何分享給感興趣的人？
以上難題，AMiner幫你解決！
AMiner最新推出了會議助手conf-plus、KnoweldgeAtlas、溯源樹三大系統工具，讓你的學術頂會之旅收穫滿滿。
以下學術君就來詳細介紹他們的功能與使用方法。
No.1 會議助手conf-plus
（https://www.aminer.cn/conf/nips2019）
會議助手conf-plus，除了提供NeurIPS 2019會議議程、論文等信息的檢索、閱讀，還能查看會議的新聞報道、論文解讀等最新消息，最爲關鍵的還提供了詳盡的入選論文數據分析等內容。
1.Schedule：會議詳細議程介紹，包括每場報告的主題、時間、地點，還可點擊查看報告對應的論文與作者；
2.Papers：不僅根據關鍵詞對NeurIPS 2019入選論文進行了分類，同時支持論文標題、作者、關鍵詞檢索；
點擊作者姓名，會彈出一個搜索框，顯示出系統檢索到的所有同名學者，你可以進行投票，選擇這篇論文的正確作者。
當有10人以上選擇該學者時，系統會判定這位學者即是該篇論文的作者，併爲他打上標籤；同時作者還可以鏈接到小脈星探，預測該學者的獲獎概率；
此外，本屆獲獎論文也作了特別標註；
3.Like：在每篇論文前有點贊圖標，可以給你喜歡的論文點贊，會在Like欄目裏收藏你喜歡的論文；
4.Statistics：主要展示對NeurIPS 2019入選論文的作者與機構的數據分析；
5.Report：包含NeurIPS2019會議相關報道與論文解讀。
目前大家看到的是conf-plus1.0版本，後續我們還將集成更多功能，提供大家最有價值的服務，歡迎大家使用並提出建議。
No.2 KnoweldgeAtla
（http://knowledgeatlas.aminer.cn/）
KnoweldgeAtla是一個基於交互、分享和展示的智能知識系統。
通過對NeurIPS2019論文和作者數據的分析，我們生成了一個知識遊戲，可以更好地幫助用戶尋找他所感興趣的論文和作者。
具體來說，用戶可以：
獲取知識：查看概念定義和關係，查看知名論文和作者，給出自己的點評；
檢查知識：對自己認爲不正確的概念，提出質疑；
添加知識：佔領新的概念領地，提名對應的論文和專家；
比拼知識：排行榜將展示用戶的得分，比一比誰的知識更豐富！
除了正在召開的NeurIPS，後期我們還會陸續上線AAAI2020、WWW2020、ICLR2020等會議的知識分享。
No.3 溯源樹（MRT）
簡單來說 ，溯源樹是一個可以用來幫助學者研究論文演變過程的工具。
對於一篇論文，溯源樹會搜索它的引用並進行自動分類。用戶可以對生成的溯源樹進行修改，這些記錄會在後續反饋到AMiner的算法中。同時，用戶還可以下載、分享溯源樹。
如何使用溯源樹（MRT）？
通過在AMiner中搜索論文，進入論文頁面點擊右側的「生成MRT」，用戶可以發起這篇論文的生成請求。由於我們的資源有限，目前用戶需要將自己的生成請求分享給至少兩個好友，邀請他們共同完成這棵樹的創建。之後我們的算法將會花費一些時間來完成計算。同時需要注意，目前的算法還無法處理一些缺少相關信息的論文。
具體使用了什麼算法？
爲了探尋一篇論文的演變軌跡，我們對該論文的引用進行分析。其中論文的直接引用是重要的線索，而它的間接引用也在一定程度上能夠反映它的歷史發展脈絡，因此我們選取了這些引用工作中較有影響力的一部分，使用一系列相關算法進行分析。
具體來講，該算法對這些引用工作進行了語義特徵以及結構特徵上的提取，語義特徵包含了一篇論文在內容上的一些信息，而結構特徵則引入了不同論文之間引用網絡拓撲結構的潛在特徵。我們認爲，語義上相近的論文之間往往會共享一些主題，而引用關係則體現了他們在發展上的關聯。將這些特徵結合後，我們採用了無監督學習的聚類算法把這些論文分爲若干類，每一類按照其時間軸展現出來。
在此基礎上，我們對於每個類別的論文進一步進行語義特徵提取，生成該類別的標籤。後期我們還會進一步改進算法，將用戶反饋作爲半監督學習信息加入系統中，改進聚類效果。
歡迎大家使用以上工具，在使用中如有任何問題，請留言給我們。
（本文感謝劉瀟、殷達同學提供參考資料，感謝zhengyiyu供圖）
往期回顧：
【NeurIPS100】NeurIPS2019 七篇獲獎論文揭曉 入選論文深度分析！