0
眾所周知，國內(nèi)外在學(xué)術(shù)科研思路和方法上都存在許多不一樣的地方，而這些不同之處在各自的科研成果上能夠得到很好的體現(xiàn)。
7月16日，AI 科技評論將攜手分別來自麥考瑞大學(xué)計算機學(xué)院AI實驗室以及中國科學(xué)院信息工程研究所的兩位同學(xué)，為大家?guī)磉B續(xù)兩場直播，分享他們比較有代表性的兩篇 ICDM 工作。
其中，麥考瑞大學(xué)博士研究生王琪將帶來主題為“社交網(wǎng)絡(luò)中的信任預(yù)測”的分享，這項工作受同質(zhì)理論的啟發(fā)， 提出了一種全新的結(jié)合了用戶評論行為和該用戶感興趣的商品特征的深度用戶模型，來進行用戶相似性度量并最終實現(xiàn)信任預(yù)測。王琪師從麥考瑞大學(xué)教授楊堅和麥考瑞大學(xué)終身助理教授吳佳。
楊堅教授現(xiàn)任澳大利亞麥考瑞大學(xué)計算機學(xué)院教授，迄今為止已在國際會議及期刊發(fā)表了200多篇高水平論文，包括IEEE Transactions、ACM Transactions、ICDE、 ICDM、CIKM等，與此同時，她還擔(dān)任多個國際期刊的常規(guī)審稿人。吳佳教授現(xiàn)任澳大利亞麥考瑞大學(xué)終身助理教授，武漢大學(xué)珞珈學(xué)者講座教授。他在領(lǐng)域內(nèi)著名國際期刊和會議發(fā)表論文100+篇, 目前還擔(dān)任 ACM Transactions on Knowledge Discovery from Data (TKDD) 副主編。
同作為國際期刊和會議的論文高發(fā)作者，兩位教授不僅是各大 AI 和數(shù)據(jù)挖掘?qū)W術(shù)頂會上的?？?，近年來更指導(dǎo)麥考瑞大學(xué)的碩士、博士生聚焦社交網(wǎng)絡(luò)、圖挖掘、圖神經(jīng)網(wǎng)絡(luò)等研究領(lǐng)域，在 IJCAI、ICDM 、 ICDM、CIKM、AAAI 、KDD 等會議上發(fā)表了數(shù)篇頗具影響力的成果。
另一位來自中國科學(xué)院信息工程研究所的博士生林希珣，則介紹另一個主題的工作：對抗知識嵌入（AKE）。這項工作針對的痛點是，知識圖譜常用的現(xiàn)存嵌入對齊模型沒有考慮實體嵌入的空間形狀，導(dǎo)致在僅有少量已知種子的情況下對齊效果并不理想。
想了解麥考瑞大學(xué)AI實驗室&中國科學(xué)院信息工程研究所的最新工作，探討國內(nèi)外學(xué)術(shù)研究的差異性以及對上述兩個研究主題感興趣的同學(xué)們，可都不要錯過哦！
直播一：通過對抗知識嵌入指導(dǎo)跨語言實體對齊（Trust Prediction in Online Social Networks）
分享嘉賓：王琪
分享時間：7月16日（星期四）上午9:00-10:00（北京時間）
分享背景：
在線社交網(wǎng)絡(luò)中的信任預(yù)測對于信息傳播，產(chǎn)品推廣和決策至關(guān)重要。然而，社交網(wǎng)絡(luò)中顯示的信任關(guān)系往往非常稀疏， 如何盡可能的減小數(shù)據(jù)稀疏帶來的影響以提高信任預(yù)測的準(zhǔn)確性是一個非常有挑戰(zhàn)性的問題。本次分享介紹 ICDM 2019 的一項工作 DeepTrust，該工作受同質(zhì)理論的啟發(fā)， 提出了一種全新的結(jié)合了用戶評論行為和該用戶感興趣的商品特征的深度用戶模型來進行用戶相似性度量并最終實現(xiàn)信任預(yù)測。它是一個全面的數(shù)據(jù)稀疏度不敏感模型，并且可以廣泛地應(yīng)用于其他研究領(lǐng)域，例如信任感知推薦，社交影響最大化，市場營銷等。
分享提綱：
問題背景介紹
相關(guān)工作介紹
研究動機&模型設(shè)計
實驗結(jié)果與分析
工作總結(jié)與前景
Github 資源庫
直播二：通過對抗知識嵌入指導(dǎo)跨語言實體對齊（Guiding Cross-lingual Entity Alignment via Adversarial Knowledge Embedding ）
分享嘉賓：林希珣
分享時間：7月16日（星期四）上午10:30-11:30（北京時間）
分享背景：
基于知識嵌入的對齊模型是一類非常流行的識別不同語種知識圖譜中相同實體的方法。但是現(xiàn)存的嵌入對齊模型沒有考慮實體嵌入的空間形狀，導(dǎo)致在僅有少量已知種子的情況下對齊效果并不理想。本次分享介紹 ICDM 2019 的一項工作：對抗知識嵌入（AKE）。AKE在學(xué)習(xí)實體對齊的過程中通過減少源域和目標(biāo)域的嵌入分布距離，保持了實體嵌入在不同空間下的近似同構(gòu)性質(zhì)，使得學(xué)習(xí)到的實體表示更加魯邦。在真實數(shù)據(jù)集中, 對比其他實體嵌入對齊模型，AKE取得了更好的實驗結(jié)果。
分享提綱：
問題背景介紹
模型介紹
實驗結(jié)果與分析
工作總結(jié)與前景
Github 資源庫
掃碼關(guān)注[ AI研習(xí)社頂會小助手] 微信號，發(fā)送關(guān)鍵字“ECCV 2020+直播”，即可進群觀看直播和獲取課程資料。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
