8月26日晚7-9点，AI Time联合清华大学计算机系、阿里巴巴，邀请6位讲者，齐聚分享KDD2020！网络
扫码或点击连接dom
关注AITIME哔哩哔哩官方帐号机器学习
观看直播ide
连接：https://live.bilibili.com/21813994svg
何玥，清华大学计算机科学与技术系、多媒体与⽹络实验室、二年级博士生。主要研究方向为：因果挖掘、稳定学习和图计算。已在KDD、IJCAI等会议上发表多篇论文。
Learning Stable Graphs from Multiple Environments with Selection Bias
摘要：图能够用来描述事物之间的广泛关系，并把它们编码在参数化的图结构里。基于数据驱动的算法严重依赖数据的条件独立性假设，一旦独立性假设遭到破坏，图的表现性能就会大打折扣。然而独立性假设在现实中是十分脆弱的，数据采样的过程也必定存在时间和空间的局限性。如何提高图结构的泛化性能是很是有实践意义的。然而，图结构中包含复杂的高阶和非线性关系，直接在原始图结构空间（如邻接矩阵）修正误差是很困难的，并且用于生成图结构的输入数据（如集合类型）是高维稀疏的。为了学习稳定的通常性图结构，本文提出了一种从多异质环境中学习稳定图结构的方法SGL。
论文连接：
https://www.aminer.cn/pub/5f03f3b611dc83056223200d?conf=kdd2020
马坚鑫，现就任于阿里巴巴，主要工做内容为推荐系统相关的算法研发和应用研究，落地场景为手机淘宝的推荐系统。在加入阿里巴巴以前，他于2017年、2020年分别获清华大学计算机系学士和硕士学位。他的主要研究兴趣为用户行为数据、图结构数据上的机器学习与表征学习，并关注在推荐系统、认知智能等方面的应用前景。他已在ICML、NeurIPS、ICLR、KDD、AAAI等国际顶级会议上发表多篇相关的学术论文。
Self-supervised and Contrastive Learning in Recommender Systems
摘要：本次报告，他将介绍阿里巴巴手机淘宝推荐系统近期的一些进展，主要内容是将最近在预训练（pre-training）领域新兴的自监督学习（self-supervised learning）、对比学习（contrastive learning）引入推荐系统的召回环节。推荐系统常常会由于过度重视短时间收益而面临马太效应严重、多样性贫乏等问题。他将指出自监督学习可用于缓解推荐算法的短视问题，以及指出对比学习在理论上和消除推荐系统的选择性误差有着等价的关系。
论文连接：
https://aminer.cn/pub/5f03f3b611dc830562231fce?conf=kdd2020
岑宇阔，清华大学计算机系硕士生，导师为唐杰教授。科研经历包括：可调控的多兴趣推荐框架、多视图异构网络表示学习、电商场景中的信任关系学习。已在KDD、TKDE等会议上发表多篇论文。
Controllable Multi-Interest Framework for Recommendation
摘要：神经网络模型目前已经被普遍地应用于各类推荐系统中。这些基于神经网络的推荐算法一般只会从用户的行为序列中学习到一个用户表征向量，可是这个统一的表征向量每每没法反映用户在一段时期内的多种不一样的兴趣。咱们提出了一种可调控的多兴趣推荐框架来解决这种情形。多兴趣抽取模块会从用户的点击序列中捕获到用户多种不一样的兴趣，而后能够用于召回各个兴趣对应的商品。聚合模块会将这些不一样兴趣召回的商品整合起来做为推荐的候选商品，供下游的任务来使用。
论文连接：
https://aminer.cn/pub/5ec48cc4da5629efe0884e02?conf=kdd2020
裘捷中，清华大学计算机科学与技术系五年级博士生，导师为唐杰教授。研究兴趣主要包括图数据的算法设计和表示学习。他关于图表示学习的工做是WSDM‘18引用量最高的论文。
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training
摘要：图表示学习目前受到了普遍关注，但目前绝大多数的图表示学习方法都是针对特定领域的图进行学习和建模，所产出的图神经网络难以迁移。近期，预训练在多个领域都取得了巨大的成功，显著地提高了模型在各大下游任务的表现。受到BERT，MoCo，CPC等工做的启发，咱们研究了图神经网络的预训练，但愿可以从中学习到通用的图拓扑结构特征。咱们提出了图对比编码（Graph Contrastive Coding）的图神经网络预训练框架，利用对比学习（Contrastive Learning）的方法学习到内在的可迁移的图结构信息。本工做GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training已被KDD 2020 research track录用。
论文连接：
https://aminer.cn/pub/5f03f3b611dc830562231fe7?conf=kdd2020
杨珍，本科毕业于西安电子科技大学，后被保送至清华大学微纳电子系攻读硕士学位。目前在清华大学KEG实验室从事图表示学习中负采样的理解与研究。
Understanding Negative Sampling in Graph Representation Learning
摘要：图表示学习近年来获得了普遍的研究。尽管它在为各类网络生成连续向量表示方面具备潜力，可是在向大规 模语料库推断高质量向量表示的有效性和效率方面仍然具备挑战性。现有的技术一般侧重于对正节点对进行采样， 而对负采样策略的研究还不够。此项工做研究了负采样对图表示学习的影响，从理论上分析了负采样对优化目标 和减少估计方差的重要性，并得出负采样分布应该与正采样分布呈次线性相关的结论。受理论启发，咱们提出了 马尔可夫链蒙特卡罗负采样策略(MCNS)，用自对比近似逼近正分布，并用 Metropolis-Hastings 加速负采样。最后，咱们在 5 个数据集上评估了咱们的 MCNS，这些数据集涵盖了普遍的下游图学习任务，包括链路预测、节 点分类和个性化推荐，总共 19 个实验设置。大量实验代表，不管采用何种图表示学习方法，MCNS 都优于其余 8 种负采样策略，从而证实了它的鲁棒性和优越性。
论文连接：
https://aminer.cn/pub/5ec7a32791e0118397f3ec20?conf=kdd2020
张圣宇，浙江大学计算机科学与技术系二年级博士生，导师为吴飞老师。研究兴趣包括多模态理解，推荐系统和稳定学习。在KDD和ACM MM上发表多篇论文。
摘要：咱们针对电子商务用户生成视频理解问题提出基于图神经网络的多源异构信息建模框 架 Gavotte，该框架可以挖掘、对齐和整合源异构信息中的商品相关细粒度信息，如挖 掘商品部位级别、商品总体级别、视频帧级别(商品与背景)和视频级别(故事线主 题)多层信息，以及捕捉视频中商品部位动态变化，全面理解商品视频。咱们将该模 型成功应用到了电子商务用户生成视频标题生成任务中， 电子商务平台(如淘宝)产生了大量用户生成视频，这些视频缺乏高质的视频标题， 这下降了这些视频在视频推荐过程的获客能力。针对电子商务用户生成视频标题生成 问题，Gavotte 在 CIDEr 指标相比 Transformer-based Video Caption SOTA 显著提高 15.14%，相比 RNN-based SOTA 显著提高 8.26%。
论文连接：
https://aminer.cn/pub/5f03f3b611dc83056223208b?conf=kdd2020
直播结束后咱们会邀请讲者在微信群中与你们答疑交流，请添加“AI TIME小助手（微信号：AITIME_HY）”,回复“KDD”，将拉您进“KDD 2020 交流群”！
主 办：AI TIME、清华大学计算机系、阿里巴巴
联合支持：中国工程院知领直播、学堂在线、CSDN
公益合做：智谱·AI、学术头条、biendata、大数据文摘、数据派、AI科技评论、 Ever链动、机器学习算法与天然语言处理
点击“阅读原文”可查看'AMiner-KDD2020 ”
AI Time欢迎AI领域学者投稿，期待你们剖析学科历史发展和前沿技术。针对热门话题，咱们将邀请专家一块儿论道。同时，咱们也长期招募优质的撰稿人，顶级的平台须要顶级的你，请将简历等信息发至yun.he@aminer.cn！
微信联系:AITIME_HY
AI Time是清华大学计算机系一群关注人工智能发展，并有思想情怀的青年学者们创办的圈子,旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法、场景、应用的本质问题进行探索，增强思想碰撞，打造一个知识分享的汇集地。
本文分享自微信公众号 - AI TIME 论道（lundaoAI）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。
