实验室3篇论文被IJCAI 2019录用

2019 年 5 月 11 日 inpluslab

会议资讯

IJCAI (The 28th International Joint Conference on Artificial Intelligence) 是CCF A类国际学术会议，也是人工智能领域的顶级会议。

IJCAI 2019总共收到了4752篇论文投稿，最终仅以17.9%的录用率收录了850篇论文，创造历史最低录用率。

实验室在本次会议中斩获佳绩，刘阳同学的论文「Matching User with Item Set: Collaborative Bundle Recommendation with Attention Network」，陈子泰同学和张宗同学合作的论文「Variational Graph Embedding and Clustering with Laplacian Eigenmaps」，以及郑万山同学的论文「Dynamically Route Hierarchical Structure Representation to Attentive Capsule for Text Classification」被本次会议录用。

论文简介

「Matching User with Item Set: Collaborative Bundle Recommendation with Attention Netword」指出大多数推荐系统的研究都旨在为用户推荐单个商品，然而在许多的现实场景中，平台需要给用户展示一组商品。例如，商家会将多个商品打包一起售卖。为了解决为用户推荐一组商品的问题，本文提出了一种深度神经网络模型（DAM）。DAM主要由两部分组成：（1）通过分解注意力机制学习一组商品的向量表示；（2）通过同时学习用户对单个商品以及一组商品的交互信息来缓解历史记录的稀疏性。在大量真实数据集上的实验结果证实了我们的模型的有效性。

「Variational Graph Embedding and Clustering with Laplacian Eigenmaps」聚焦于图聚类问题。图聚类是一类重要且经典的问题，它在社区发现以及信息检索领域有着广泛的应用。过去的算法在得到图的节点表示的时候没有考虑到不确定性，并且很多算法得到的聚类结果是在模型得到节点表示的基础上进行的，这会造成一定的信息损失。因此，我们提出了一种深度概率图模型(VGECLE)，它可以学习到鲁棒的表示，同时获得具有可解释性的聚类结果。我们用GMM代替原先变分自编码器的高斯先验，使得具有聚类的功能，同时将图中的节点映射成分布并且保留图的全局结构信息，并且利用teacher-student机制保证相邻节点的信息不被丢失。这是第一个从概率图模型角度解决图聚类问题的模型，在大量的人工和真实数据集上的实验结果证实了我们的模型的有效性和鲁棒性。

「Dynamically Route Hierarchical Structure Representation to Attentive Capsule for Text Classification」是一篇自然语言处理领域的论文。表示学习和特征聚合通常是自然语言处理领域的两大重要子步骤。文本分类是NLP的基础任务，深度神经网络在该任务上表现出色，但是已有工作难以通过表示学习自动学习合适的结构特征，并且在特征聚合上缺少能够有效利用这些特征的方式。针对这两方面局限，作者提出了一种新颖的文本分类框架HAC，将分层的结构化表示动态路由至基于注意力的胶囊网络。具体的，作者首次利用深度空洞卷积网络中的中间层信息，构造层次化结构表示，不同等级的结构表示对应特定的语言单元，如词、短语、子句等。此外，作者设计了融合注意力机制的胶囊网络模块，该聚合策略能够高效地进行特征选择和聚类。在大量的公开数据集实验中，本文提出的HAC模型超过目前先进基线模型并取得新的state-of-the-art结果，消融实验和可视化等进一步验证了本模型的有效性。